ICML 2025 | 不靠复杂架构，经典GNN再证图级任务强基线地位

正文

请到「今天看啥」查看全文

. net/

forum?id=xkljKdGe4E

Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence

（ICML 2025）

https://github.com/LUOyk1999/GNNPlus

Link：

https://arxiv.org/abs/

2502.09263

引言

图级任务（graph-level tasks）是图机器学习中最具挑战性的研究方向之一，涵盖了从小规模分子图的属性预测，到大规模蛋白质图与代码图的分类与回归。在这些任务中，整个图被视为基本学习单元，要求模型能够全面理解图结构与节点属性的联合模式。

近年来，随着 Graph Transformer（GTs）和 Graph State Space Models（GSSMs）等模型在多个公开排行榜上取得优异成绩，尤其是在小分子图领域，其全局序列建模机制被认为具备天然的表示优势。

在这一趋势推动下，逐渐形成一种共识：相比基于局部消息传递机制的经典 GNNs，此类复杂模型在图级任务中更具表现力和应用潜力。

然而，已有研究 [1] 显示，经典 GNNs 在节点任务中的表现被系统性低估，其原因在于以往超参数设置不合理、评估覆盖范围有限。本研究自然延伸出一个问题： 经典 GNNs 在图级任务中是否也存在未被挖掘的性能潜力？

为此，本文构建了 GNN+框架 ，在三类经典 GNNs 模型（GCN、GIN、GatedGCN）基础上，引入六项被广泛使用的超参数技术（边特征整合、归一化、Dropout、残差连接、前馈网络、位置编码），全面评估其在 14 个广泛使用的大规模图级任务数据集中的表现。主要发现如下：

• 经典 GNNs 在全部数据集上进入前三，8 个数据集取得第一，性能全面对标或超越当前 SOTA GTs、GSSMs 等架构 ；

• 经典 GNNs 有显著的训练效率优势，更适合大规模图学习场景 ；

• 通过消融实验，系统验证了 GNN+ 框架中每个模块的有效性，揭示其对性能的独立与联合贡献

这些结果再次重申： 经典 GNNs 在图表示学习中的核心地位不应被忽视，简单模型在合理设计与调优下，依然是图级任务中的强大竞争者 。

GNN+框架介绍

GNN+ 是一个统一增强框架，适用于经典 GNNs。其核心在于在消息传递基础上，融入如下六项广泛使用的超参数技术，用以提升表示能力和训练稳定性：

• 边特征整合 ：将边特征引入消息传递过程，有助于建模节点之间更丰富的结构关系，特别适用于分子图等边信息关键的任务

• 归一化 ：对每层输出应用 normalization，可缓解协变量偏移，提高训练稳定性与收敛速度

• Dropout ：在激活后对节点表示进行随机丢弃，有效抑制过拟合，并减少图中节点表示间的共适应性

请到「今天看啥」查看全文