Graph Neural Networks (GNNs) haben in letzter Zeit zunehmend an Bedeutung gewonnen, teilweise aufgrund ihrer überlegenen Leistung bei vielen Klassifizierungsaufgaben für Knoten und Graphen. Es fehlt jedoch an einem tiefgreifenden Verständnis darüber, was sie lernen und wie komplex die gelernten Graphfunktionen sind. In dieser Arbeit schlagen wir eine Zerlegung von GNNs bei der Graphklassifizierung in zwei Teile vor: 1) die Graphfilterung, bei der aggregierungen von benachbarten Knoten durchgeführt werden, und 2) die Mengenfunktion, bei der ein Satz verborgener Knoteneigenschaften für Vorhersagen zusammengesetzt wird. Um die Bedeutung beider Teile zu untersuchen, schlagen wir vor, sie getrennt zu linearisieren. Wir linearisieren zunächst die Graphfilterfunktion, was das Graph Feature Network (GFN) ergibt. Dies ist ein einfaches, leichtgewichtiges neuronales Netzwerk, definiert auf einer \textit{Menge} von erweiterten Graphmerkmalen. Die weitere Linearisierung der Mengenfunktion des GFNs führt zum Graph Linear Network (GLN), das eine lineare Funktion ist. Empirisch führen wir Evaluierungen an gemeinsamen Benchmarks für Graphklassifizierung durch. Zu unserer Überraschung stellen wir fest, dass GFN trotz der Vereinfachung die besten Genauigkeiten erreichen oder übertreffen kann, die von kürzlich vorgeschlagenen GNNs erzielt wurden (mit einem Bruchteil des Rechenaufwands), während GLN erheblich unterdurchschnittliche Ergebnisse liefert. Unsere Ergebnisse verdeutlichen die Wichtigkeit nicht-linearer Mengenfunktionen und legen nahe, dass eine lineare Graphfilterung mit einer nicht-linearen Mengenfunktion ein effizientes und leistungsstarkes Schema zur Modellierung bestehender Benchmarks für Graphklassifizierung darstellt.