关于任意图上的完全归纳节点分类
机器学习
2025-04-09 v5 社会与信息网络
摘要
图机器学习中的一个基本挑战是对新图进行泛化。许多遵循归纳设置的方法可以泛化到具有新结构的测试图，但假设特征空间和标签空间与训练时的相同。本文引入了完全归纳设置，即模型需要对具有新结构、特征和标签空间的任意测试图进行推理。我们提出了 GraphAny 作为这一具挑战性设置的首个尝试。GraphAny 将对新图的推理建模为对 LinearGNN 的解析解，该方法可自然应用于任何特征和标签空间的图上。为进一步构建具有学习能力的更强模型，我们融合了多个 LinearGNN 预测结果，并通过学习的归纳注意力分数进行加权。具体而言，注意力模块被仔细参数化为线性GNN 预测之间熵归一化距离特征的函数，以确保对新图的泛化。实验方面，GraphAny 在仅使用 120 个标记节点训练的威斯康星数据集上，能够泛化到 30 个新图，平均准确率达到 67.26%，不仅超越了所有归纳基线，还超过了在 30 个测试图上分别训练的强 transductive 方法。
引用
@article{arxiv.2405.20445,
title = {Fully-inductive Node Classification on Arbitrary Graphs},
author = {Jianan Zhao and Zhaocheng Zhu and Mikhail Galkin and Hesham Mostafa and Michael Bronstein and Jian Tang},
journal= {arXiv preprint arXiv:2405.20445},
year = {2025}
}
备注
ICLR2025