SimMLP: 无监督地在图上训练 MLP

图神经网络 (GNNs) 已在各种图学习任务中展示了其有效性，但它们在推理过程中对邻域聚合的依赖给部署在延迟敏感的应用（如实时金融欺诈检测）中带来了挑战。为了解决这一限制，近期研究提出将教师 GNN 的知识蒸馏到基于节点内容训练的学生多层感知器 (MLPs) 中，旨在加速推理。然而，这些方法在推断未见过的节点时，往往未能充分探索结构信息。为此，我们引入了 SimMLP，一个用于在图上学习 MLP 的自监督框架，旨在将丰富的结构信息完全整合到 MLP 中。值得注意的是，SimMLP 是第一种在最优情况下能够实现与 GNN 等效的 MLP 学习方法。其核心思想是采用自监督学习来对齐由图上下文感知的 GNN 和邻域依赖无关的 MLP 编码的表示，从而将结构信息完全整合到 MLP 中。我们提供了全面的理论分析，基于互信息和归纳偏置证明了 SimMLP 与 GNN 之间的等效性，突显了 SimMLP 先进的结构学习能力。此外，我们在 20 个基准数据集上进行了广泛的实验，涵盖节点分类、链接预测和图分类，以展示 SimMLP 相对于最先进基线的优越性，特别是在涉及未见节点（例如，归纳和冷启动节点分类）且结构洞察至关重要的场景中。我们的代码可在以下链接获取：https://github.com/Zehong-Wang/SimMLP。