通过参考分布学习进行图分类：理论与实践
内容提要
本文介绍了多种图神经网络（GNN）模型及其改进方法，如GPNN、DP-GNN和CARE，强调了在图分类任务中的性能提升和可重复性问题。研究表明，通过优化结构和引入领域知识，可以有效提高模型的泛化能力和适应性。
延伸解读
图分类模型的演进脉络
文章按时间顺序梳理了多个图神经网络模型，从2018年的GPNN到2024年的最新研究，展示了图分类领域在结构优化、泛化能力和领域适应性的持续进步。读者可以从中看到研究重点从处理大图、提高泛化性，逐步转向解决可重复性、异构图和归纳偏差等更深层问题。
可重复性与评估基准的重要性
文章提到2019年关于实验可重复性的研究，以及2023年OpenGSL基准的建立，强调公平比较和统一评估策略对领域发展的关键作用。这提醒研究者在追求性能提升的同时，需关注实验设置的透明度和可复制性，避免因评估差异导致结论偏差。
经典模型与图转换器的性能对比
2024年的实证分析指出，经过超参数调整后，经典GNN模型（如GCN、GAT、GraphSAGE）在多个数据集上能达到甚至超越图转换器的性能，挑战了此前对GTs的过度宣称。这表明模型选择不应盲目追随新架构，而应重视调优和实证评估。
归纳偏差与领域知识的融合
最新研究揭示了GNN在图分类中的隐含归纳偏差，并探索通过注意力机制融入领域知识来识别一致子图。这为提升模型的可解释性和适应性提供了新方向，但如何平衡理论证明与实验验证仍是未来值得关注的挑战。
Q&A
GPNN模型的主要特点是什么？
GPNN是一种图划分神经网络，通过小子图的本地传播和子图之间的全局传播处理大图，表现优异。
DP-GNN如何提高图神经网络的性能？
DP-GNN通过增强GNN模型的泛化能力，在多个基准数据集上取得了最优结果。
CARE方法在图分类中解决了什么问题？
CARE方法通过计算类别表示并注入图表示中，解决了GNN在图分类任务中的缺陷，验证了其有效性。
GCNH架构适用于哪些类型的图形？
GCNH是一种适用于异构和同质图形的GNN架构，解决了异构图的性能问题和过度平滑问题。
OpenGSL的目的是什么？
OpenGSL是第一个全面的Graph Structure Learning基准，旨在公平比较最新GSL方法。
经典GNN模型与图转换器的比较结果如何？
经典GNN模型在多样化数据集上表现优于图转换器，经过超参数调整后甚至超过了GTs的性能。
