通过 MLPs 揭示图学习的潜在能力：使用接纳传播的 MLPs 的有效图学习器

近期研究尝试利用多层感知机（MLPs）解决图上的半监督节点分类问题，即通过知识蒸馏（KD）从教师图神经网络（GNN）训练学生 MLP。尽管先前研究主要聚焦于在 KD 期间通过匹配教师与学生模型间的输出概率分布来训练学生 MLP，但如何以显式且可解释的方式注入结构信息尚未被系统研究。受将特征变换 $T$ 与传播 $\Pi$ 分离的 GNN 启发，我们将 KD 过程重新构建为使学⽣ MLP 显式学习 $T$ 和 $\Pi$。尽管这可通过在从教师 GNN 蒸馏前施加逆传播 $\Pi^{-1}$ 来实现，但其仍带来训练期间大矩阵乘法的高计算成本。为解决该问题，我们提出传播与蒸馏（P&D），其在 KD 前传播教师 GNN 的输出，可被解释为逆传播 $\Pi^{-1}$ 的近似过程。通过使用真实世界基准数据集的综合评估，我们展示了 P&D 进一步提升学生 MLP 性能的有效性。