그래프는 복잡한 객체로, 일반적인 학습 작업에 쉽게 적용하기 어렵습니다. 최근에는 그래프 분류와 그래프의 일반적인 표현 학습을 위해 그래프 커널 또는 그래프 신경망 기반의 다양한 접근 방법이 개발되었습니다. 이러한 방법론이 점점 고도화됨에 따라, 점점 더 복잡해지는 방법론의 어떤 구성 요소가 필수적이거나 가장 효과적인지 이해하는 것이 중요합니다.첫 번째 단계로, 우리는 간단하면서도 의미 있는 그래프 표현을 개발하고, 이를 그래프 분류에서의 효과성에 대해 탐구하였습니다. 우리는 다양한 그래프 데이터셋에서 우리의 기본 표현을 사용하여 그래프 분류 작업을 테스트하였습니다. 흥미롭게도, 이 간단한 표현은 속성 없는 그래프 분류에서 최신의 그래프 커널과 그래프 신경망과 유사한 성능을 보였습니다. 속성이 포함되지 않은 관계로 속성 있는 그래프 분류에서는 성능이 약간 떨어졌지만, 그 간단함과 효율성을 고려할 때 여전히 속성 있는 그래프 분류를 위한 효과적인 베이스라인으로 작용한다고 믿습니다. 우리의 그래프 표현은 계산이 효율적(선형 시간)입니다. 또한, 우리는 이 표현과 그래프 신경망 간의 간단한 연결성을 제공합니다.이러한 관찰은 오직 그래프 분류 작업에 대한 것일 뿐, 기존 방법론들은 종종 노드 임베딩 및 링크 예측 등을 포함하는 더 넓은 범위를 대상으로 설계되어 있습니다. 결과는 사용 가능한 벤치마크 데이터셋의 수가 제한적이기 때문에 편향될 가능성이 있습니다. 그럼에도 불구하고, 우리 간단한 베이스라인이 좋은 성능을 보이는 것은 새로운, 더 포괄적인 벤치마크 데이터셋 개발의 필요성을 시사합니다. 이렇게 하면 서로 다른 그래프 학습 방법들을 더욱 잘 평가하고 분석할 수 있을 것입니다. 또한, 우리의 그래프 요약의 계산 효율성을 감안할 때, 미래의 그래프 분류 연구(심지어 다른 그래프 학습 연구에서도)를 위한 베이스라인 방법으로 적합하다고 생각됩니다.