摘要

近期发布的长程图基准（Long-Range Graph Benchmark, LRGB）由Dwivedi等人于2022年提出，引入了一系列依赖于顶点之间长程交互的图学习任务。实证研究表明，在这些任务中，图变换器（Graph Transformers）显著优于消息传递图神经网络（Message Passing GNNs, MPGNNs）。在本文中，我们仔细重新评估了多个MPGNN基线模型以及Rampášek等人于2022年提出的图变换器GPS。通过严格的实证分析，我们证明了由于次优的超参数选择，所报告的性能差距被高估了。值得注意的是，在多个数据集上，经过基本的超参数优化后，性能差距完全消失。此外，我们讨论了缺乏特征归一化对LRGB视觉数据集的影响，并指出了LRGB链接预测指标的一个错误实现。本文的主要目标是在图机器学习社区内建立更高的实证严谨标准。