要約
グラフトランスフォーマー（GTs）は、従来のメッセージパッシング型グラフニューラルネットワーク（GNNs）に対する人気ある代替手法として近年注目を集めている。これは、理論的に優れた表現力と、標準的なノード分類ベンチマークにおいて報告された優れた性能により、しばしばGNNを大きく上回る結果を示しているためである。本論文では、3つの代表的なGNNモデル（GCN、GAT、GraphSAGE）とGTsの性能を、包括的な実証的分析を通じて再評価する。その結果、以前に報告されたGTsの優位性は、GNNモデルにおける最適でないハイパーパラメータ設定に起因して過大評価されていた可能性が示唆された。特に、わずかなハイパーパラメータのチューニングにより、これらの伝統的なGNNモデルは、検証した18種類の多様なデータセットのうち17種類で、最新のGTsと同等、あるいはそれを上回る最先端の性能を達成した。さらに、ノード分類性能に与える影響を詳細に検証するため、正規化、ドロップアウト、リジッド接続、ネットワークの深さといったさまざまなGNNの構成要因について、アブレーションスタディを実施した。本研究は、グラフ機械学習分野における実証的厳密性の水準を高めるべく、モデルの能力をより正確に比較・評価する文化の醸成を目的としている。