近年、異種グラフニューラルネットワーク（HGNNs）の研究が急速に進展していますが、各研究で使用される独自のデータ処理と評価手法が、その進歩を完全に理解する妨げとなっています。本研究では、公式コード、データセット、設定、ハイパーパラメータを使用して12の最近のHGNNsを系統的に再現し、HGNNsの進展に関する驚くべき発見を明らかにしました。私たちは、GCNやGATなどの単純な同種グラフニューラルネットワークが、不適切な設定により過小評価されていることを発見しました。適切な入力条件下では、GATは様々なシナリオにおいて既存のすべてのHGNNsと同等かそれ以上の性能を示すことが一般的です。異種グラフニューラルネットワーク研究を堅牢かつ再現可能にするために、11の多様なデータセットから構成され3つのタスクを含む「異種グラフベンチマーク（HGB）」を構築しました。HGBは、異種グラフデータの分割プロセス、特徴量処理、パフォーマンス評価を標準化します。最後に、Simple-HGNという単純ながら非常に強力なベースラインモデルを導入し、これによりHGB上で以前のすべてのモデルを大幅に上回る性能を達成しました。このモデルは将来のHGNNsの進歩を加速するために提案されました。