グラフは複雑な構造を持つオブジェクトであり、一般的な学習タスクには容易に適応できません。最近、グラフカーネルやグラフニューラルネットワークを基盤とする手法が開発され、グラフの分類や一般的なグラフ表現学習に利用されています。これらの手法がますます洗練されるにつれて、どの成分が必要であるか、または最も効果的なかを理解することが重要です。最初のステップとして、単純ながら意味のあるグラフ表現を開発し、その有効性をグラフ分類に探ります。我々は、一連のグラフデータセット上で、この基本的な表現を用いたグラフ分類タスクの性能を評価しました。興味深いことに、この単純な表現は非属性付きグラフ分類において最先端のグラフカーネルやグラフニューラルネットワークと同程度の性能を達成しています。属性付きグラフの分類における性能は若干弱いですが、これは属性を組み込んでいないためです。しかし、その単純さと効率性から、我々はこれが属性付きグラフ分類でも依然として有効な基準となると考えています。我々のグラフ表現は計算上効率的（線形時間）であり、またグラフニューラルネットワークとの簡単な関連性も示しています。ただし、これらの観察結果はグラフ分類タスクに限定されており、既存の手法は多くの場合ノード埋め込みやリンク予測などより広範な用途のために設計されています。また、限られたベンチマークデータセットしか利用できないことから、結果には偏りがある可能性があります。それでも、我々の単純な基準が良好な性能を示していることは、異なるグラフラーニング手法をより正確に評価および分析するための新しい包括的なベンチマークデータセットの開発が必要であることを示唆しています。さらに、我々のグラフレビューが計算上非常に効率的であることから、今後のグラフ分類（あるいは他のグラフラーニング）研究における基準手法として有望であると考えています。