多くのグラフ機械学習タスクで広く使用されているデータセットは、一般的に同質性（homophily）を示しており、類似のラベルを持つノードが互いに接続しています。最近では、同質性の範囲を超えた新しいグラフニューラルネットワーク（GNN）が開発されていますが、これらの評価はしばしば小さなグラフや限定的な応用領域で行われています。私たちは多様な非同質性（non-homophilous）データセットを収集し、紹介します。これらのデータセットは、さまざまな応用領域から得られており、従来のデータセットよりも最大384倍多いノードと1398倍多いエッジを持っています。さらに、既存の大規模グラフ学習およびグラフミニバッチ技術がこれらの非同質性データセットでの性能低下につながることを示しています。これにより、大規模非同質性方法に関するさらなる研究の必要性が強調されます。これらの懸念に対処するために、LINKXという強力かつ単純な手法を導入します。この手法はミニバッチ訓練と推論を容易に行うことができます。提案したデータセットを使用した代表的な単純手法とGNNとの広範な実験結果から、LINKXが非同質性グラフでの学習において最先端の性能を達成していることが示されています。私たちのコードとデータは、https://github.com/CUAI/Non-Homophily-Large-Scale で利用可能です。