经典图神经网络是否是图级任务的简单基准？简单架构 meets 卓越
机器学习
2025-11-04 v3
摘要
消息传递图神经网络（GNNs）常因表达受限、过平滑、过压抑以及难以捕获长程依赖等问题受到批评。相比之下，图转换器（GTs）因采用全局注意力机制而被视为更优，可能缓解这些问题。文献常建议 GTs 在图级任务中优于 GNNs，尤其是在小分子图的图分类和回归任务中。本研究通过一个增强框架 GNN+（集成边缘特征、归一化、Dropout、残差连接、前馈网络和位置编码）探索 GNNs 在图级任务中的潜力。我们在 14 个著名图级数据集上系统性地重新评估了三个经典 GNN（GCN、GIN 和 GatedGCN）由 GNN+ 框架增强后的表现。我们的结果表明，与既定观念相反，这些经典 GNN 在所有数据集上一致匹配或超越 GTs 的性能，全部进入前三名，其中八个数据集获得第一名。此外，它们在许多数据集上运行速度快几个数量级。这凸显了简单 GNN 架构的潜力，挑战了 GTs 中复杂机制对获得卓越图级性能是必需的观念。我们的源代码已公开于 https://github.com/LUOyk1999/GNNPlus。
引用
@article{arxiv.2502.09263,
title = {Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence},
author = {Yuankai Luo and Lei Shi and Xiao-Ming Wu},
journal= {arXiv preprint arXiv:2502.09263},
year = {2025}
}
备注
ICML 2025