基于图视图变换的完全归纳节点表示学习
机器学习
2025-12-15 v1
摘要
将预训练模型推广到未见数据集而无需重新训练是通用模型的关键步骤。在图结构数据中，由于特征空间在维度和语义上差异巨大，这种跨数据集的完全归纳推断极具挑战性。特征空间的任何变换都容易违反对未见数据集的归纳适用性，严格限制了图模型设计空间。在本工作中，我们引入了视图空间，这是一种新的表示轴，能够自然地以统一方式对任意图进行编码。随后，我们提出了图视图变换（GVT），这是一种在视图空间中的节点和特征置换等变映射。GVT作为递归GVT的构建模块，是一个用于节点表示学习的完全归纳模型。在OGBN-Arxiv上预训练，在27个节点分类基准上进行评估，递归GVT相较于现有的完全归纳图模型GraphAny提升了8.93%，并超过12个单独调优的GNN至少提升3.30%。这些结果确立了视图空间作为完全归纳节点表示学习的原则性且有效的基础。
引用
@article{arxiv.2512.11561,
title = {Fully Inductive Node Representation Learning via Graph View Transformation},
author = {Dooho Lee and Myeong Kong and Minho Jeong and Jaemin Yoo},
journal= {arXiv preprint arXiv:2512.11561},
year = {2025}
}