Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification

最近，图形变换器（GTs）已经成为传统消息传递图神经网络（GNNs）的受欢迎的替代品，因为它们在理论上具有更高的表达能力，并且在标准节点分类基准测试中表现出色，常常明显优于GNNs。在本文中，我们进行了彻底的实证分析，重新评估了三种经典的GNN模型（GCN，GAT和GraphSAGE）与GTs的性能。我们的发现表明，之前报道的GTs的优越性可能由于GNNs中次优的超参数配置而被夸大了。值得注意的是，在轻微的超参数调整下，这些经典的GNN模型实现了最先进的性能，在18个不同的数据集中有17个匹配或甚至超过了最近的GTs。此外，我们进行了详细的消融研究，以调查各种GNN配置（如归一化，dropout，残差连接，网络深度和跳跃知识模式）对节点分类性能的影响。我们的研究旨在促进图机器学习领域更高的实证严谨标准，鼓励更准确的比较和评估模型能力。

重新评估经典GNN模型与GTs的表现差异，并探究影响GNN性能的各种配置因素。

通过对三种经典GNN模型的超参数微调，实现了与GTs相当的性能表现，挑战了GTs的优越性。同时，通过详细的消融实验，探究了各种GNN配置因素对节点分类性能的影响。

实验使用了18个不同数据集，发现经典GNN模型在超参数微调后可以达到与GTs相当的表现；消融实验探究了GNN配置因素对性能的影响，为更准确的模型比较提供了方法。

最近的相关研究包括：《Graph Transformer Networks》、《How Powerful are Graph Neural Networks?》等。