我院傅星珵老师组与北京航空航天大学合作开源数据集基准 ”IGL-BENCH: ESTABLISHING THE COMPREHENSIVE BENCHMARK FOR IMBALANCED GRAPH LEARNING”被人工智能、机器学习领域三大顶会之一的ICLR 2025录用。国际表征学习大会（International Conference on Learning Representations，简称 ICLR）是人工智能、机器学习领域最权威的会议之一，与 NeurIPS、ICML 并列为最具影响力的机器学习三大顶级会议。根据官方活动社交APP-“Whova”显示，广西师范大学是本届ICLR2025参会的唯一广西高校。

  该开源数据集基准由广西师范大学计算机科学与工程学院/软件学院/人工智能学院和北京航空航天大学计算机学院合作完成，第一作者为北航博士生秦佳雯（系我院2020届毕业硕士）。该开源项目由傅星珵老师组师生、北航李建欣教授团队孙庆赟老师以及著名数据挖掘和数据管理研究专家Philip S. Yu教授共同合作完成。Philip S. Yu 是伊利诺伊大学芝加哥分校计算机科学系特聘教授，全球计算机领域H-index TOP 10的著名华人学者。

  论文poster展示

  4月25日下午在新加坡EXPO会议展览中心的Hall3厅，秦佳雯同学和傅星珵老师进行了论文海报的展示，时长大约在2个小时。

我院傅星珵老师在ICLR’25会场Poster环节

第一作者秦佳雯博士（我院2020届毕业硕士）在现场讲解

BUAA-GXNU”图计算智能组”（MAGIC Group）合影

论文摘要

  图数据广泛存在于社交网络、金融风控、药物发现等真实应用场景中。然而，现实世界的图数据往往呈现出严重的「不均衡性」——某些类别或结构显著稀少，而另一些则异常丰富。这种不均衡性严重影响了传统图学习算法的效果，造成模型对少数类别的偏见和识别能力不足。如何客观、公正地评价不同算法在不均衡图数据下的表现？如何精准区分类别和拓扑结构的不平衡影响？如何在实际任务中选择最佳的算法方案？

  以上问题成为了图不均衡学习领域迫切需要解决的核心挑战。

  文章提出了面向不均衡图学习的全新、综合性基准框架——IGL-Bench。作者创新地构建了涵盖17个真实图数据集、24种先进IGL算法的统一评测标准，实现了数据处理和划分的规范化，确保实验结果的可重复性与公平性。通过系统性分析算法在类别不均衡和拓扑不均衡下的有效性、鲁棒性与效率，IGL-Bench明确揭示了现有方法的优劣特性和适用范围。此外，文章提供了开源易用的评测工具，助力研究人员快速验证新算法的表现，并推动不均衡图学习领域的深入发展。

单位：

北京航空航天大学

广西师范大学

伊利诺伊大学芝加哥分校

论文地址：

https://openreview.net/pdf?id=uTqnyF0JNR

代码连接：

https://github.com/RingBDStack/IGL-Bench