图变换器（Graph Transformer, GT）最近作为一种新型图学习算法范式出现，在多个基准测试中表现优于此前广受欢迎的消息传递神经网络（Message Passing Neural Network, MPNN）。先前的研究（Kim 等，2022）表明，通过引入适当的位置编码，GT 可以任意逼近 MPNN，这意味着 GT 至少与 MPNN 具有同等表达能力。本文研究了这一关系的逆向联系，证明了带有虚拟节点（Virtual Node, VN）的消息传递神经网络——一种广泛使用但缺乏充分理论支撑的启发式方法——其表达能力足以任意逼近 GT 中的自注意力（self-attention）层。具体而言，我们首先证明：若考虑一类特定的线性变换器，即 Performer/线性变换器（Performer/Linear Transformer）（Choromanski 等，2020；Katharopoulos 等，2020），则仅需 O(1) 深度与 O(1) 宽度的 MPNN + VN 即可逼近 Performer/线性变换器中的自注意力层。其次，通过建立 MPNN + VN 与 DeepSets 之间的联系，我们进一步证明：当 MPNN + VN 的宽度为 O(n^d)、深度为 O(1) 时（其中 d 为输入特征维度），其可任意逼近自注意力层。最后，在若干合理假设下，我们给出了一个显式的构造方法，证明存在宽度为 O(1)、深度为 O(n) 的 MPNN + VN 架构，能够任意逼近 GT 中的自注意力层。在实验方面，我们验证了以下三点：1）MPNN + VN 是一个出人意料的强大基线模型，在近期提出的长程图基准数据集 Long Range Graph Benchmark（LRGB）上表现优于 GT；2）我们的 MPNN + VN 在一系列 OGB 数据集上显著优于早期实现版本；3）在气候建模任务中，MPNN + VN 的性能优于线性变换器与传统 MPNN。综上，本研究揭示了 MPNN + VN 在表达能力上的强大潜力，为理解其在复杂图学习任务中的有效性提供了新的理论视角。