본 논문은 그래프 정렬 문제를 기반으로 그래프 신경망(GNN)을 위한 새로운 벤치마킹 방법론을 제안합니다. 그래프 정렬 문제는 두 개의 레이블이 없는 그래프를 정렬하여 겹치는 에지를 극대화하는 조합 최적화 문제로, 그래프 동형 문제를 일반화한 것입니다. 이 문제를 자기 지도 학습 문제로 설정하고, 합성 랜덤 그래프와 여러 도메인의 실제 그래프 데이터 세트를 사용하여 그래프 정렬 데이터 세트를 생성하는 여러 가지 방법을 제시합니다. 주어진 그래프 데이터 세트에 대해 점점 더 어려워지는 그래프 정렬 데이터 세트 패밀리를 생성하여 다양한 아키텍처의 성능을 순위 지정할 수 있습니다. 실험 결과 비등방성 그래프 신경망이 표준 합성곱 아키텍처보다 성능이 우수한 것으로 나타났습니다. 또한 그래프 정렬 작업의 유용성을 더욱 입증하기 위해 비지도 GNN 사전 훈련에 대한 효과를 보여줍니다. 여기서 학습된 노드 임베딩은 세 가지 분자 회귀 작업에서 다른 위치 인코딩보다 성능이 우수하며, PCQM4Mv2 데이터 세트에서 훨씬 적은 매개변수로 최첨단 결과를 달성합니다. 재현성과 추가 연구를 지원하기 위해 그래프 정렬 데이터 세트를 생성하고 새로운 GNN 아키텍처를 벤치마킹하는 오픈 소스 Python 패키지를 제공합니다.
