Buchumschlag

Can Classic GNNs Be Strong Baselines for Graph-level Tasks? Simple Architectures Meet Excellence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Luo, Yuankai, Shi, Lei, Wu, Xiao-Ming
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Classic GNNs are Strong Baselines: Reassessing GNNs for Node Classification
von: Luo, Yuankai, et al.
Veröffentlicht: (2024)

Making Classic GNNs Strong Baselines Across Varying Homophily: A Smoothness-Generalization Perspective
von: Gu, Ming, et al.
Veröffentlicht: (2024)

Node Identifiers: Compact, Discrete Representations for Efficient Graph Learning
von: Luo, Yuankai, et al.
Veröffentlicht: (2024)

Enhancing Graph Transformers with Hierarchical Distance Structural Encoding
von: Luo, Yuankai, et al.
Veröffentlicht: (2023)

SimVLA: A Simple VLA Baseline for Robotic Manipulation
von: Luo, Yuankai, et al.
Veröffentlicht: (2026)

GraphEdge: Dynamic Graph Partition and Task Scheduling for GNNs Computing in Edge Network
von: Xiao, Wenjing, et al.
Veröffentlicht: (2025)

Molecular Topological Profile (MOLTOP) -- Simple and Strong Baseline for Molecular Graph Classification
von: Adamczyk, Jakub, et al.
Veröffentlicht: (2024)

GPG: A Simple and Strong Reinforcement Learning Baseline for Model Reasoning
von: Chu, Xiangxiang, et al.
Veröffentlicht: (2025)

Rethinking Multi-Label Node Classification: Do Tuned Classic GNNs Suffice?
von: Xiao, Yuxuan, et al.
Veröffentlicht: (2026)

Strongly Topology-preserving GNNs for Brain Graph Super-resolution
von: Singh, Pragya, et al.
Veröffentlicht: (2024)

No Mean Feat: Simple, Strong Baselines for Context Compression
von: Feldman, Yair, et al.
Veröffentlicht: (2025)

Pruned Adaptation Modules: A Simple yet Strong Baseline for Continual Foundation Models
von: Yildirim, Elif Ceren Gok, et al.
Veröffentlicht: (2026)

Higher-Order GNNs Meet Efficiency: Sparse Sobolev Graph Neural Networks
von: Giraldo, Jhony H., et al.
Veröffentlicht: (2024)

Rethinking the Expressive Power of GNNs via Graph Biconnectivity
von: Zhang, Bohang, et al.
Veröffentlicht: (2023)

Chordless Structure: A Pathway to Simple and Expressive GNNs
von: Pan, Hongxu, et al.
Veröffentlicht: (2025)

Simple GNNs with Low Rank Non-parametric Aggregators
von: Vinas, Luciano, et al.
Veröffentlicht: (2023)

Translating Subgraphs to Nodes Makes Simple GNNs Strong and Efficient for Subgraph Representation Learning
von: Kim, Dongkwan, et al.
Veröffentlicht: (2022)

Residual Connections and Normalization Can Provably Prevent Oversmoothing in GNNs
von: Scholkemper, Michael, et al.
Veröffentlicht: (2024)

Enhancing GNNs with Architecture-Agnostic Graph Transformations: A Systematic Analysis
von: Li, Zhifei, et al.
Veröffentlicht: (2024)

A Strong and Simple Deep Learning Baseline for BCI MI Decoding
von: Ouahidi, Yassine El, et al.
Veröffentlicht: (2023)

Decouple Graph Neural Networks: Train Multiple Simple GNNs Simultaneously Instead of One
von: Zhang, Hongyuan, et al.
Veröffentlicht: (2023)

On the Scalability of GNNs for Molecular Graphs
von: Sypetkowski, Maciej, et al.
Veröffentlicht: (2024)

Fixed Aggregation Features Can Rival GNNs
von: Rubio-Madrigal, Celia, et al.
Veröffentlicht: (2026)

From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs
von: Cucumides, Tamara, et al.
Veröffentlicht: (2025)

Can TabPFN Compete with GNNs for Node Classification via Graph Tabularization?
von: Choi, Jeongwhan, et al.
Veröffentlicht: (2025)

Task-Oriented GNNs Training on Large Knowledge Graphs for Accurate and Efficient Modeling
von: Abdallah, Hussein, et al.
Veröffentlicht: (2024)

Locality-Aware Graph-Rewiring in GNNs
von: Barbero, Federico, et al.
Veröffentlicht: (2023)

A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs
von: Wang, Jiaqi, et al.
Veröffentlicht: (2025)

Simple LLM Baselines are Competitive for Model Diffing
von: Kempf, Elias, et al.
Veröffentlicht: (2026)

You Can Have Better Graph Neural Networks by Not Training Weights at All: Finding Untrained GNNs Tickets
von: Huang, Tianjin, et al.
Veröffentlicht: (2022)

From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks
von: Yang, Jie, et al.
Veröffentlicht: (2025)

When GNNs meet symmetry in ILPs: an orbit-based feature augmentation approach
von: Chen, Qian, et al.
Veröffentlicht: (2025)

Simple Baselines are Competitive with Code Evolution
von: Gideoni, Yonatan, et al.
Veröffentlicht: (2026)

SFR-GNN: Simple and Fast Robust GNNs against Structural Attacks
von: Ai, Xing, et al.
Veröffentlicht: (2024)

GNNs Meet Sequence Models Along the Shortest-Path: an Expressive Method for Link Prediction
von: Ferrini, Francesco, et al.
Veröffentlicht: (2025)

Investigating Out-of-Distribution Generalization of GNNs: An Architecture Perspective
von: Guo, Kai, et al.
Veröffentlicht: (2024)

Subgraphormer: Unifying Subgraph GNNs and Graph Transformers via Graph Products
von: Bar-Shalom, Guy, et al.
Veröffentlicht: (2024)

Chaining 2-FWL GNNs for Combinatorial Graph Alignment
von: Lelarge, Marc
Veröffentlicht: (2025)

Flow Matters: Directional and Expressive GNNs for Heterophilic Graphs
von: Gupta, Arman, et al.
Veröffentlicht: (2025)

Node Classification and Search on the Rubik's Cube Graph with GNNs
von: Barro, Alessandro
Veröffentlicht: (2025)