ロングレンジグラフベンチマーク

メッセージパッシング（MP）パラダイムに基づくグラフニューラルネットワーク（GNN）は、通常、各層において1ホップ近傍ノード間で情報を交換することで、ノード表現を構築する。原則として、このようなネットワークは、特定のグラフ学習タスクにおいて必要不可欠な長距離相互作用（Long-Range Interaction: LRI）を捉えることができない。近年、元のスパース構造を超えてノード間の完全な接続性を考慮できるTransformerベースのグラフ手法の開発に注目が集まっており、これによりLRIのモデリングが可能となる。しかし、1ホップメッセージパッシングに依存する単純なMP-GNNは、位置特徴表現などの他の革新と組み合わせた場合、いくつかの既存のグラフベンチマークにおいて、依然として優れた性能を示すことが多く、結果としてTransformer型アーキテクチャの実用性や評価が限定されてしまう傾向にある。本研究では、特定のタスクにおいて優れた性能を発揮するにはLRIの推論が不可欠であると主張できる、5つのグラフ学習データセット（PascalVOC-SP、COCO-SP、PCQM-Contact、Peptides-func、Peptides-struct）を含む「Long Range Graph Benchmark（LRGB）」を提示する。これらのデータセット上で、ベースラインGNNとグラフTransformerネットワークを比較評価した結果、長距離依存関係を捉えるモデルが著しく優れた性能を示すことが確認された。したがって、本データセットは、LRIを捉えることを目的としたMP-GNNおよびグラフTransformerアーキテクチャのベンチマーク評価および探索に適している。