继作者团队此前对经典图神经网络（GNNs）在节点分类任务中的研究 [1]，本研究进一步探讨了经典 GNNs 在图分类与图回归任务中的潜力。
为此，本文通过提出 GNN+ 框架，将六项常用超参数技术（边特征、归一化、Dropout、残差连接、FFN 和位置编码）集成进经典 GNNs 架构中（包括 GCN、GIN 和 GatedGCN），以全面重估其性能表现。
实验结果表明，在公平对比近三年提出的 30 个主流 GTs 和 GSSMs 时，经典 GNNs 在 14 个广泛使用的大规模图级任务数据集上整体性能优异，在全部数据集上进入前三，其中在 8 个任务中取得第一。
值得强调的是，经典 GNNs 在保持高效性能的同时，在大多数数据集上显著快于 GTs 模型，最高可达 10 倍的加速。
本研究挑战了“复杂全局建模架构在图级任务中天然优越”的主流观点，重新确认了经典 GNNs 在图级任务中的适用性与竞争力，强调其作为强大基线模型的现实潜力。
论文题目：
Can Classic GNNs Be Strong Baselines for Graph-level Tasks?
Simple Architectures Meet Excellence
论文作者：
罗元凯，时磊，吴晓明
作者单位：
北京航空航天大学、香港理工大学
论文链接：
https://arxiv.org/abs/2502.09263
代码链接：
https://github.com/LUOyk1999/GNNPlus
重新评估经典 GNNs 系列工作：
|
Benchmarking系列 |
论文链接 |
|
Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification （NeurIPS2024） https://github.com/LUOyk1999/tunedGNN |
Link： https://openreview.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
-
残差连接：在层间引入残差连接，有助于缓解深层 GNNs 中的梯度消失问题，使网络能够更有效地堆叠更多层
-
前馈网络（FFN）：在每层后追加前馈网络，增强非线性变换能力，从而提升模型的表达能力
-
位置编码（PE）：通过将节点的位置编码与其特征拼接，引入全图结构感知能力，弥补 GNNs 对全局信息建模的不足
数据集与实验设置
本研究在三个广泛使用的图级任务基准上进行全面评估：
-
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）
基准包括图回归、图分类等多类任务，覆盖从小规模分子图到百万级大图，测试模型的广泛适应性。
所有经典 GNNs 和 GTs、GSSMs 等模型均在相同的超参数搜索空间下训练，并使用标准划分与评估指标进行对比。
实验结果分析
4.1 主性能对比
结果显示 GCN+、GIN+ 和 GatedGCN+ 三者在所有数据集均进入前三，其中 8 项任务取得第一，整体性能全面对标甚至超越主流 GTs 与 GSSMs：
-
在 GNN Benchmark 中，GNN+ 在 ZINC、PATTERN 和 CLUSTER 任务上的性能提升尤为显著，GatedGCN+ 在 MNIST 与 CIFAR10 中超越 GEAET 与 GRED 等最新模型。
-
在 LRGB 基准下，GCN+ 在 Peptides-func 与 Peptides-struct 上取得最佳表现，GatedGCN+ 在 MalNet-Tiny 中排名第一，并在 PascalVOC-SP 和 COCO-SP 中稳居前三。
-
OGB 基准实验进一步验证了 GNN+ 在大规模图任务中的优势，GatedGCN+ 在四个数据集中三次排名第一，在 ogbg-ppa 上提升约 9%，性能超过多个预训练 GTs 模型。
4.2 消融研究
本研究对 GNN+ 框架中的六个超参数模块（边特征、归一化、Dropout、残差连接、前馈网络、位置编码）进行逐一消融，结果表明各模块均为性能提升的关键组成：
消融观察1：边特征在分子图和图像超像素数据集中尤为重要
消融观察2：归一化在相对大规模数据集中影响更显著，而在小规模数据集中影响较小
消融观察3：Dropout 对大多数数据集均有积极作用，且极低的 dropout 率已足够
消融观察4：残差连接通常是必要的，除非是在浅层 GNNs 处理小图时
消融观察5：FFN 对 GIN+ 和 GCN+ 至关重要，显著影响其在各数据集上的表现
消融观察6：位置编码对相对小规模数据集尤为有效，而对大规模数据集影响较小
总结
本文系统性重新审视了经典 GNNs 在图级任务中的表现，并提出统一增强框架 GNN+。实验证明：经典 GNNs 在图级任务中不仅具备与最先进模型相媲美的能力，甚至在多个任务上取得最优结果，且训练效率更高。
研究结果强烈挑战了“复杂图模型优于经典 GNNs” 的普遍认知，进一步强调合理设计与调优对于 GNN 性能释放的重要性。
（文：PaperWeekly）