鉴于介绍新数据集和Benchmark研究往往需要不同于常规论文的评审标准,计算机视觉和自然语言处理领域,以及最近的NeurIPS会议,都有专门致力于建立新Benchmark数据集和任务的Conference Track。然而在图机器学习领域,我们还没有类似的发表渠道。
Workshop on Graph Learning Benchmarks(GLB)致力于征集新的图机器学习任务或新的图结构数据集方面的贡献,这些任务和数据有潜力(i)帮助理解图表示模型在不同问题集合上的性能和局限性;(ii)为各种模型提供Benchmark评估支持。我们还欢迎基于Data-Cenetric方法的图学习的贡献,例如收集、注释、清洗、增强和合成图结构数据的新方法。
研讨会官网地址:graph-learning-benchmarks.github.io/
在过去的两年里,我们成功举办了研讨会的第一届和第二届,吸引了图机器学习领域的大量关注。
在过去两届,我们有幸邀请到了众多图学习领域的著名学者,包括Jure Leskovec (Stanford),Leman Akoglu (CMU),Michael Bronstein (Oxford),Stephan Günnemann (TU Munich),以及Tina Eliassi-Rad (Northeastern)作为演讲嘉宾,以及唐杰 (清华),孙怡舟(UCLA),Xin Luna Dong (Meta),Petar Veličković (DeepMind & Cambridge), Minjie Wang (Amazon DGL Team),以及Rose Yu (UCSD)作为圆桌讨论嘉宾,同时发表了来自世界各地作者的相关论文约三十篇。
我们期待与会者为图学习领域带来创新的数据集和任务,推动研究和实践的发展。我们鼓励来自学术界和工业界的研究者、工程师和实践者参与本次研讨会,分享他们的见解和经验。
参加本次研讨会,您将有机会与图学习领域的专家和同行互动,了解最新的研究成果和应用案例。我们诚挚邀请您提交高质量的论文,共同探讨图学习基准的未来发展趋势。
Call for Papers
我们特别(但不仅限于)征集对以下至少一个方面作出贡献的研究:
-
Real-World Graph Datasets: Novel real-world graph-structured datasets — especially large-scale, application-oriented, and publicly accessible datasets.
-
Synthetic Graph Datasets: Synthetic graph-structured datasets that are well-supported by graph theory, network science, or empirical studies, and can be used to reveal limitations of existing graph learning methods.
-
Graph Benchmarking Software Packages: Software packages which enable streamlined benchmarking large-scale online graphs, crawling or crowdsourcing of graph data, and generation of realistic synthetic graphs.
-
Data Collection: Novel approaches to collect and annotate graph-structured data. Crowdsourcing and sampling methods on large networks.
-
Data Processing: Novel approaches to clean and impute noisy/missing graph-structured data. Data augmentation approaches for self-supervision.
-
Graph Learning Tasks: New learning tasks and applications on different types of graphs, at different levels (e.g., node, edge, and (sub)graph), with a special focus on real-world and industry-oriented problems.
-
Evaluation Metrics: New evaluation procedures and metrics of graph learning associated with the various tasks and datasets.
-
Benchmarking Studies: Studies that benchmark multiple graph ML methods (especially graph neural networks) on non-trivial tasks and datasets. We explicitly encourage works that reveal limitations of existing models, optimize matches between model design and problems, and other novel findings about the behaviors of existing models on various tasks or datasets.
-
Graph Learning Task Taxonomy: Discussions towards a more comprehensive and fine-grained taxonomy of graph learning tasks.
重要日期
提交截止日期:2023年5月26日
录用通知:2023年6月13日
Camera Ready截止日期:2023年6月27日
格式
-
论文不超过4页(不包括参考文献和附录),使用ACM “sigconf” LaTeX模板(参见KDD 2023的指导)。
-
本次研讨会为Non-Archival性质,与会议和期刊发表不冲突。近期已经在会议或期刊发表的相关研究成果也欢迎投稿。
-
为方便数据/代码共享,提交为单向盲审。审稿人是匿名的,但作者在提交中无需匿名。
-
强烈建议作者在提交中包含相应的数据集和代码作为补充材料。对于大型数据集或代码仓库,作者可以通过Github、Google Drive、Dropbox、OneDrive或Box提供外部链接。我们限制存储平台的选择是出于安全考虑。如果上述平台都不适用,请发送电子邮件给组织者。
-
如果数据无法公开提供,需要额外的章节说明已建立基准的结果如何推广到其他图数据。
论文提交
摘要和论文可通过CMT提交:cmt3.research.microsoft.com/GLB2023
组织者
有关以往研讨会详细信息,请访问此网站:graph-learning-benchmarks.github.io/all-edition…
如果您有任何问题,请通过此电子邮件地址与我们联系:glb23-organizers@umich.edu