用途：为图学习与图神经网络（GNN）方向的研究者提供按顶会（NeurIPS、ICML、ICLR、KDD、WWW、AAAI）、年份与主题组织的论文清单，便于系统性追踪与文献调研。
主要能力：给出图学习的主题分类，包括图神经网络（消息传递类 GCN、GAT、GraphSAGE、GIN；谱方法 ChebNet、CayleyNet；图 Transformer Graphormer、GPS；等变 GNN 如 EGNN、SE(3)-Transformers）、图生成（GraphVAE、GraphRNN、GDSS、DiGress、GraphFlow）、自监督学习（GraphCL、GCA、GraphMAE、GPT-GNN）、可扩展性（GraphSAINT、ClusterGCN、知识蒸馏、图压缩）、时序图（动态 GNN、时序交互、演化图）以及应用（分子性质预测、药物发现、社交网络分析、推荐系统、交通预测）。列出关键模型及年份与创新点，如 GCN（2017）、GraphSAGE（2017）、GAT（2018）、GIN（2019）、Graphormer（2021）、GPS（2022）、GraphMAE（2022）。提供 arXiv 检索代码与基准数据集清单：节点分类（Cora、PubMed、ogbn-arxiv、ogbn-papers100M）、图分类（ZINC、ogbg-molpcba、PROTEINS）、链接预测（ogbl-collab、ogbl-citation2）。
使用方式：可按主题分类浏览论文，或使用资料中的 arXiv 检索函数查找近期论文；数据集字典可用于选择基准任务。参考资料包括 Awesome-Graph-Learning-Papers-List、Open Graph Benchmark、PyG 与 DGL。
适用场景：文献综述、方法对比、研究选题、课程阅读书单准备、OGB 榜单 SOTA 追踪。
限制：资料未提供论文数量、更新频率、许可协议或定价信息；不保证清单完整性与时效性，具体论文结论与数据需以原文为准。