本論文では、PyTorch Geometric（PyG）を用いたogbn-proteinsデータセットにおけるエッジ対応の再現可能なベースラインを提示します。主に、8次元のエッジ証拠をノード入力にどのように集約するかと、メッセージパッシング内でエッジをどのように使用するかの2つのシステム選択を検討します。最も優れたベースラインは、合計に基づくエッジからノードへの特徴を持つGraphSAGEです。LayerNorm（LN）、BatchNorm（BN）、および種を考慮した条件付きLayerNorm（CLN）の比較を行い、計算コスト（時間、VRAM、パラメータ）と精度（ROC-AUC）を報告します。主な実験設定では、合計が常に平均や最大を上回り、BNが最良のAUCを達成し、CLNはしきい値を考慮したF1においてAUCの最前線を上回ります。さらに、ポストホックのラベルごとの温度スケーリングとしきい値の調整は、マイクロF1と期待されるキャリブレーション誤差（ECE）を大幅に改善します。