链接预测中的小批量类别构成偏差

先前关于节点分类的工作表明，当共享底层图属性时，图神经网络 (GNN) 能够学习到可跨图迁移的表示。对于固定图，人们会期望为链接预测训练的 GNN 能学习到与为节点分类学到的表示相一致的表示。我们证明这种直觉在一般情况下并不成立。相反，我们发现流行的链接预测模型可以学习一种由批量归一化层促成的、依赖于小批量的平凡启发式方法来解决边分类任务。在对此进行校正后，我们观察到网络表示与节点类别相关特征的对齐增加，这表明网络学习到了一种更好地与底层图属性对齐的图表示。我们的发现表明，标准的链接预测训练可能使我们高估了链接预测器学习跨任务一致的图广义表示的能力。