グラフニューラルネットワーク（GNN）は、下位から上位へのメッセージ伝達によって動作する一方で、人間の視覚認知は直感的に全体構造を最初に捉えるという点で本質的に異なっている。本研究では、グラフ理解においてあまり注目されていない視覚モデルの潜在能力に着目し、既存のベンチマークにおいてGNNと同等の性能を達成しつつ、明確に異なる学習パターンを示すことを発見した。こうした挙動の相違は、従来のベンチマークがドメイン特徴とトポロジー理解を混同しているという限界と相まって、本研究では「GraphAbstract」という新しいベンチマークの導入を促した。このベンチマークは、人間がグラフの全体的性質を捉えるように、組織的アーキタイプの認識、対称性の検出、接続性の強さの感覚、そして重要な要素の特定といった能力を評価する。実験の結果、視覚モデルは全体構造の理解を要するタスクにおいてGNNを著しく上回り、グラフのスケールが変化しても汎化性能を維持する一方、GNNは全体的なパターンの抽象化に苦戦し、グラフサイズの増大に伴って性能が低下することが明らかになった。本研究は、視覚モデルが、全体的なトポロジー認識やスケール不変の推論を要する問題に対して、顕著かつ未活用の能力を有していることを示した。これらの知見は、包括的なパターン認識が主な課題となるタスクにおいて、より効果的なグラフ基盤モデルの開発に向け、この未発見の可能性を活用する新たな道を開くものである。