ICML 2025 | 不靠复杂架构，经典GNN再证图级任务强基线地位

主要观点总结

本研究探讨了经典图神经网络（GNNs）在图级任务中的潜力，通过提出GNN+框架，集成了六项超参数技术，以全面评估经典GNNs在广泛使用的图级任务数据集中的性能。实验结果表明，经典GNNs在性能上全面对标或超越当前主流模型，同时具有显著的训练效率优势。这一研究挑战了复杂模型在图级任务中天然优越的主流观点，重新确认了经典GNNs的适用性与竞争力。

关键观点总结

关键观点1: 研究背景

近年来，Graph Transformer（GTs）和Graph State Space Models（GSSMs）等模型在图机器学习领域取得优异成果，其全局序列建模机制被认为具有天然优势。然而，已有研究显示经典GNNs在节点分类任务中的表现被低估。

关键观点2: 研究方法

本研究构建了GNN+框架，在三类经典GNNs模型基础上，引入六项广泛使用的超参数技术，全面评估其在图级任务中的性能。主要数据集包括GNN Benchmark、Long-Range Graph Benchmark和Open Graph Benchmark。

关键观点3: 实验结果

实验结果表明，经典GNNs在所有数据集上的性能表现优异，进入前三名的情况占多数，并在一些任务中取得第一名。此外，消融实验验证了GNN+框架中每个模块的有效性，揭示了其对性能的独立和联合贡献。

关键观点4: 研究意义

本研究结果挑战了复杂模型在图级任务中普遍优于经典GNNs的观点，强调了简单模型在合理设计与调优下的竞争力。此外，本研究为图神经网络的研究和应用提供了新的视角和思路。

免责声明