重新思考多标签节点分类：调优后的经典 GNN 就足够吗？
机器学习
2026-05-05 v1
摘要
多标签节点分类（MLNC）近期通过日益复杂的标签感知设计来解决，这些设计显式建模节点-标签间的相互作用和标签间的依赖关系。然而，人们仍不确定这些方法的优势是否真正源于其专门设计，抑或仅因基线方法未得到充分调优。在本文中，我们从强基线视角重新审视 MLNC，探讨是否可以通过系统性调参，使一些经典的全图 GNN 就能成为该任务的强解。我们系统性地研究了若干代表性骨干网络，包括 GCN、SSGConv 和 GCNII，并通过标准且有效的技术（如归一化、Dropout 和残差连接）进行优化。在五个代表性基准数据集上实验，表明我们的调优基线在四个数据集上超越了代表性的专用方法，并在多个情境下实现最先进性能。这些结果表明，经典骨干网络的精细调参是一个极具影响力却常被忽视的因素，呼吁在未来的图学习多标签研究中采用更严谨的强基线评估。
引用
@article{arxiv.2605.01403,
title = {Rethinking Multi-Label Node Classification: Do Tuned Classic GNNs Suffice?},
author = {Yuxuan Xiao and Shengzhong Zhang},
journal= {arXiv preprint arXiv:2605.01403},
year = {2026}
}