超越参数微调：基于节点分类的测试时表示细化
机器学习
2026-01-30 v1 人工智能
摘要
图神经网络在分布外测试场景中经常表现出显著的性能下降。虽然测试时训练（TTT）提供了有前景的解决方案，但现有的参数微调（PaFT）范式受到灾难性遗忘的限制，限制了其实际应用。我们提出了 TTReFT——一种新的测试时表示微调框架，将适应目标从模型参数转向潜在表示。具体而言，TTReFT 通过三个关键创新实现了这一目标：（1）基于不确定性的节点选择以实现特定干预；（2）低秩表示干预以保留预训练知识；（3）具有干预感知性的掩码自编码器，以适应节点选择方案动态调整掩码策略。理论上，我们在 OOD 场景下为 TTReFT 建立了保证。实验上，广泛的实验在五个基准数据集上表明，TTReFT 实现了一致且优异的性能。我们的工作确立了表示微调作为图形 TTT 的新范式，为实际部署提供了理论依据和即时实用价值。
引用
@article{arxiv.2601.21615,
title = {Beyond Parameter Finetuning: Test-Time Representation Refinement for Node Classification},
author = {Jiaxin Zhang and Yiqi Wang and Siwei Wang and Xihong Yang and Yu Shi and Xinwang Liu and En Zhu},
journal= {arXiv preprint arXiv:2601.21615},
year = {2026}
}