摘要
消息传递图神经网络（Message-passing Graph Neural Networks, GNNs）常因其表达能力有限、存在过平滑（over-smoothing）与过压缩（over-squashing）等问题，以及在捕捉长程依赖关系方面的挑战而受到批评。相比之下，图注意力网络（Graph Transformers, GTs）因其采用全局注意力机制，被认为在理论上能够缓解上述问题，因而被视为更具优势的模型。现有文献普遍认为，GTs在图级任务中表现优于GNNs，尤其是在小分子图的分类与回归任务中。在本研究中，我们通过一种增强型框架——GNN+，探索了GNNs尚未被充分挖掘的潜力。该框架整合了六种广泛使用的技术：边特征融合、归一化、丢弃（dropout）、残差连接、前馈网络以及位置编码，旨在有效应对图级任务的挑战。我们对三种经典GNN模型（GCN、GIN与GatedGCN）在GNN+框架下进行了系统性重评估，覆盖了14个广为人知的图级数据集。实验结果表明，与当前主流观点相反，这些经过增强的经典GNN模型在性能上不仅持续达到与GTs相当的水平，甚至在多数情况下超越GTs，在所有数据集中均位列前三，并在其中8个数据集中取得第一名。此外，这些GNN模型展现出更高的计算效率，在多个数据集上运行速度比GTs快数倍。这一发现凸显了简单GNN架构的潜在能力，挑战了“复杂机制（如全局注意力）是实现优越图级性能所必需”的固有认知。我们的源代码已公开，地址为：https://github.com/LUOyk1999/GNNPlus。