本文系統性地評估了經典圖神經網絡（GNNs）在圖級任務中的表現，并提出統一增強框架 GNN+。實驗結果表明，經典GNNs不僅在多個圖級任務中達到了甚至超過了當前先進模型的性能，還表現出更高的訓練效率。研究成果有力地質疑了“復雜模型優于經典GNNs”的普遍觀點，凸顯了合理架構設計與調優在提升GNN性能中的關鍵作用。

論文題目： Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence 論文鏈接： https://arxiv.org/abs/2502.09263 代碼鏈接： https://github.com/LUOyk1999/GNNPlus

繼作者團隊此前對經典圖神經網絡（GNNs）在節點分類任務中的研究 [1]，本研究進一步探討了經典GNNs在圖分類與圖回歸任務中的潛力。為此，本文通過提出GNN+框架，將六項常用超參數技術（邊特征、歸一化、Dropout、殘差連接、FFN和位置編碼）集成進經典GNNs架構中（包括 GCN、GIN 和 GatedGCN），以全面重估其性能表現。

實驗結果表明，在公平對比近三年提出的30個主流GTs和GSSMs時，經典GNNs在14個廣泛使用的大規模圖級任務數據集上整體性能優異，在全部數據集上進入前三，其中在8個任務中取得第一。值得強調的是，經典GNNs在保持高效性能的同時，在大多數數據集上顯著快于GTs模型，最高可達10倍的加速。本研究挑戰了“復雜全局建模架構在圖級任務中天然優越”的主流觀點，重新確認了經典GNNs在圖級任務中的適用性與競爭力，強調其作為強大基線模型的現實潛力。

重新評估經典GNNs系列工作：

Benchmarking系列

代碼鏈接

Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification (NeurIPS 2024)

https://github.com/LUOyk1999/tunedGNN

Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence (ICML 2025)

https://github.com/LUOyk1999/GNNPlus

一、引言

圖級任務（graph-level tasks）是圖機器學習中最具挑戰性的研究方向之一，涵蓋了從小規模分子圖的屬性預測，到大規模蛋白質圖與代碼圖的分類與回歸。在這些任務中，整個圖被視為基本學習單元，要求模型能夠全面理解圖結構與節點屬性的聯合模式。

近年來，隨著Graph Transformer（GTs）和Graph State Space Models（GSSMs）等模型在多個公開排行榜上取得優異成績，尤其是在小分子圖領域，其全局序列建模機制被認為具備天然的表示優勢。在這一趨勢推動下，逐漸形成一種共識：相比基于局部消息傳遞機制的經典GNNs，此類復雜模型在圖級任務中更具表現力和應用潛力。

然而，已有研究[1]顯示，經典GNNs在節點任務中的表現被系統性低估，其原因在于以往超參數設置不合理、評估覆蓋范圍有限。本研究自然延伸出一個問題：經典GNNs在圖級任務中是否也存在未被挖掘的性能潛力？

為此，本文構建了GNN+框架，在三類經典GNNs模型（GCN、GIN、GatedGCN）基礎上，引入六項被廣泛使用的超參數技術（邊特征整合、歸一化、Dropout、殘差連接、前饋網絡、位置編碼），全面評估其在14個廣泛使用的大規模圖級任務數據集中的表現。主要發現如下：

• 經典GNNs在全部數據集上進入前三，8個數據集取得第一，性能全面對標或超越當前SOTA GTs、GSSMs等架構；

• 經典GNNs有顯著的訓練效率優勢，更適合大規模圖學習場景；

• 通過消融實驗，系統驗證了GNN+框架中每個模塊的有效性，揭示其對性能的獨立與聯合貢獻

這些結果再次重申：經典GNNs在圖表示學習中的核心地位不應被忽視，簡單模型在合理設計與調優下，依然是圖級任務中的強大競爭者。

二、GNN+框架介紹
GNN+架構 GNN+是一個統一增強框架，適用于經典GNNs。其核心在于在消息傳遞基礎上，融入如下六項廣泛使用的超參數技術，用以提升表示能力和訓練穩定性：

• 
  

  邊特征整合：將邊特征引入消息傳遞過程，有助于建模節點之間更豐富的結構關系，特別適用于分子圖等邊信息關鍵的任務

• 歸一化：對每層輸出應用normalization，可緩解協變量偏移，提高訓練穩定性與收斂速度

• Dropout：在激活后對節點表示進行隨機丟棄，有效抑制過擬合，并減少圖中節點表示間的共適應性

• 殘差連接：在層間引入殘差連接，有助于緩解深層GNNs中的梯度消失問題，使網絡能夠更有效地堆疊更多層

• 前饋網絡（FFN）：在每層后追加前饋網絡，增強非線性變換能力，從而提升模型的表達能力

• 位置編碼（PE）：通過將節點的位置編碼與其特征拼接，引入全圖結構感知能力，彌補GNNs對全局信息建模的不足

• GNN Benchmark[2]（ZINC, MNIST, CIFAR10, PATTERN, CLUSTER）

• Long-Range Graph Benchmark (LRGB)[3,4]（Peptides-func, Peptides-struct, PascalVOC-SP, COCO-SP, MalNet-Tiny）

• Open Graph Benchmark (OGB)[5]（ogbg-molhiv, ogbg-molpcba, ogbg-ppa, ogbg-code2）

基準包括圖回歸、圖分類等多類任務，覆蓋從小規模分子圖到百萬級大圖，測試模型的廣泛適應性。

所有經典GNNs和GTs、GSSMs等模型均在相同的超參數搜索空間下訓練，并使用標準劃分與評估指標進行對比。

四、實驗結果分析 4.1 主性能對比
GNN Benchmark實驗結果LRGB實驗結果OGB實驗結果

結果顯示GCN+、GIN+和GatedGCN+三者在所有數據集均進入前三，其中8項任務取得第一，整體性能全面對標甚至超越主流GTs與GSSMs：

• 在GNN Benchmark中，GNN+在ZINC、PATTERN和CLUSTER任務上的性能提升尤為顯著，GatedGCN+在MNIST與CIFAR10中超越GEAET與GRED等最新模型。

• 在LRGB基準下，GCN+在Peptides-func與Peptides-struct上取得最佳表現，GatedGCN+在MalNet-Tiny中排名第一，并在PascalVOC-SP和COCO-SP中穩居前三。

• OGB基準實驗進一步驗證了GNN+在大規模圖任務中的優勢，GatedGCN+在四個數據集中三次排名第一，在ogbg-ppa上提升約9%，性能超過多個預訓練GTs模型。

GNN Benchmark消融結果

LRGB和OGB的消融結果

本研究對GNN+框架中的六個超參數模塊（邊特征、歸一化、Dropout、殘差連接、前饋網絡、位置編碼）進行逐一消融，結果表明各模塊均為性能提升的關鍵組成：

消融觀察1：邊特征在分子圖和圖像超像素數據集中尤為重要

消融觀察2：歸一化在相對大規模數據集中影響更顯著，而在小規模數據集中影響較小

消融觀察3：Dropout對大多數數據集均有積極作用，且極低的dropout率已足夠

消融觀察4：殘差連接通常是必要的，除非是在淺層GNNs處理小圖時

消融觀察5：FFN對GIN+和GCN+至關重要，顯著影響其在各數據集上的表現

消融觀察6：位置編碼對相對小規模數據集尤為有效，而對大規模數據集影響較小

五、總結

本文系統性重新審視了經典GNNs在圖級任務中的表現，并提出統一增強框架GNN+。實驗證明：經典GNNs在圖級任務中不僅具備與最先進模型相媲美的能力，甚至在多個任務上取得最優結果，且訓練效率更高。研究結果強烈挑戰了“復雜圖模型優于經典GNNs”的普遍認知，進一步強調合理設計與調優對于GNN性能釋放的重要性。

參考文獻

[1] Yuankai Luo, Lei Shi, and Xiao-Ming Wu. Classic GNNs are strong baselines: Reassessing GNNs for node classification. In The Thirty-eight Conference on Neural Information Processing Systems Datasets and Benchmarks Track, 2024.

[2] Vijay Prakash Dwivedi, Chaitanya K Joshi, Anh Tuan Luu, Thomas Laurent, Yoshua Bengio, and Xavier Bresson. Benchmarking graph neural networks. Journal of Machine Learning Research, 24(43):1–48, 2023.

[3] Vijay Prakash Dwivedi, Ladislav Rampá?ek, Mikhail Galkin, Ali Parviz, Guy Wolf, Anh Tuan Luu, and Dominique Beaini. Long range graph benchmark. Advances in neural information processing systems, 2022.

[4] Scott Freitas and Yuxiao Dong. A large-scale database for graph representation learning. Advances in neural information processing systems, 2021.

[5] Weihua Hu, Matthias Fey, Marinka Zitnik, Yuxiao Dong, Hongyu Ren, Bowen Liu, Michele Catasta, and Jure Leskovec. Open graph benchmark: Datasets for machine learning on graphs. Advances in neural information processing systems, 2020.

來源：【知乎】 https://zhuanlan.zhihu.com/p/1910287643025082280

llustration From IconScout By IconScout Store

-The End-

掃碼觀看！

本周上新！

“AI技術流”原創投稿計劃

TechBeat是由將門創投建立的AI學習社區（www.techbeat.net）。社區上線600+期talk視頻，3000+篇技術干貨文章，方向覆蓋CV/NLP/ML/Robotis等；每月定期舉辦頂會及其他線上交流活動，不定期舉辦技術人線下聚會交流活動。我們正在努力成為AI人才喜愛的高質量、知識型交流平臺，希望為AI人才打造更專業的服務和體驗，加速并陪伴其成長。

投稿內容

// 最新技術解讀/系統性知識分享 //

// 前沿資訊解說/心得經歷講述 //

投稿須知

稿件需要為原創文章，并標明作者信息。

我們會選擇部分在深度技術解析及科研心得方向，對用戶啟發更大的文章，做原創性內容獎勵

投稿方式

發送郵件到

melodybai@thejiangmen.com

或添加工作人員微信（yellowsubbj）投稿，溝通投稿詳情；還可以關注“將門創投”公眾號，后臺回復“投稿”二字，獲得投稿說明。

關于我“門”

將門是一家以專注于數智核心科技領域的新型創投機構，也是北京市標桿型孵化器。 公司致力于通過連接技術與商業，發掘和培育具有全球影響力的科技創新企業，推動企業創新發展與產業升級。

將門成立于2015年底，創始團隊由微軟創投在中國的創始團隊原班人馬構建而成，曾為微軟優選和深度孵化了126家創新的技術型創業公司。

如果您是技術領域的初創企業，不僅想獲得投資，還希望獲得一系列持續性、有價值的投后服務，歡迎發送或者推薦項目給我“門”:

bp@thejiangmen.com

點擊右上角，把文章分享到朋友圈