# OpenGLT: A Comprehensive Benchmark of Graph Neural Networks for Graph-Level Tasks

### 저자

Haoyang Li, Yuming Xu, Alexander Zhou, Yongqi Zhang, Jason Chen Zhang, Lei Chen, Qing Li

### 💡 개요

기존 그래프 신경망(GNN)에 대한 평가는 데이터셋, 모델 아키텍처, 작업 범위, 실험 설정의 제한으로 인해 신뢰성 있는 결론 도출에 어려움이 있었습니다. 본 논문은 그래픽스 합성 데이터와 실제 데이터를 아우르는 통합 평가 프레임워크인 OpenGLT를 제안하며, 이를 통해 다양한 GNN 아키텍처와 작업 유형에 대한 포괄적인 벤치마크를 수행했습니다. 주요 결과로는 단일 GNN 아키텍처가 모든 측면에서 우수하지 않으며, 그래프의 위상적 특징에 따라 적합한 GNN을 선택해야 함을 보여줍니다.

### 🔑 시사점 및 한계

- 그래프 수준 작업에서 GNN의 성능은 모델 아키텍처, 데이터 특성, 작업 유형에 따라 크게 달라지며, 보편적으로 우수한 모델은 존재하지 않습니다.

- 서브그래프 기반 GNN은 표현력이 뛰어나고, 그래프 학습 및 자기 지도 학습 기반 GNN은 강건성이 우수하며, 노드 및 풀링 기반 GNN은 효율성이 높다는 특징을 보입니다.

- 그래프의 밀도와 중심성과 같은 위상적 특징이 GNN 아키텍처 선택에 중요한 가이드라인이 될 수 있습니다.

- 실제 환경에서 발생할 수 있는 노이즈, 불균형, 소수샷 데이터셋에 대한 GNN의 성능을 체계적으로 평가하고, 각 GNN 유형별 강점과 약점을 분석하여 향후 연구 및 실제 적용에 대한 방향을 제시합니다.

---

[PDF 보기](https://arxiv.org/pdf/2501.00773)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).