最近のLong-Range Graph Benchmark（LRGB、Dwivediら 2022）は、頂点間の長距離相互作用に強く依存する一連のグラフ学習タスクを導入しました。経験的な証拠によると、これらのタスクにおいてGraph TransformersはMessage Passing GNNs（MPGNNs）を大幅に上回ることが示されています。本論文では、LRGB上で複数のMPGNNベースラインおよびGraph Transformer GPS（Rampášekら 2022）を慎重に再評価します。厳密な経験的分析を通じて、報告された性能差が最適でないハイパーパラメータ選択により過大評価されていることを示しています。特に注目に値するのは、複数のデータセットにおいて基本的なハイパーパラメータ最適化後、性能差が完全に消失することです。さらに、LRGBのビジョンデータセットにおける特徴量正規化の欠如の影響について議論し、LRGBのリンク予測指標の誤った実装を指摘します。本論文の主な目的は、グラフ機械学習コミュニティ内でより高い経験的厳密性基準を確立することです。