图结构启迪学习：提高图神经网络性能的新方法
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
图神经网络（GNN）在图数据学习中表现优异。本文提出的结构化GNN提示方法SAP，通过利用图结构信息进行预训练和提示调整，显著提升了节点分类和图分类任务的性能，尤其在小样本场景中表现突出。
🔎
延伸解读
预训练与提示调整的结构一致性
现有图神经网络预训练方法通常在预训练阶段利用图结构信息学习节点表示，但在提示调整阶段却忽略结构信息，导致预训练知识与下游任务之间存在不一致。SAP方法通过双视图对比学习对齐节点属性和图结构的潜在语义空间，并在提示图中加入结构信息，使两个阶段一致地利用结构信息，从而更有效地迁移预训练知识。
小样本场景下的性能优势
SAP在节点分类和图分类任务上进行了大量实验，结果表明其能显著提升性能，尤其在小样本场景中表现突出。这意味着在标注数据稀缺的实际应用中，SAP能够更充分地利用图结构信息，缓解监督信号不足的问题，为小样本图学习提供了一种有效的解决方案。
同质与异质图的适应性
文章指出SAP在同质和异质图上均能在小样本场景中实现更好的性能。异质图包含多种类型的节点和边，结构更复杂，对模型的结构利用能力要求更高。SAP通过一致地利用结构信息，展现出对不同类型的图的适应能力，这扩展了其潜在应用范围。
❓
Q&A
什么是图神经网络（GNN）？
图神经网络（GNN）是一种用于学习图数据语义的深度学习模型，具有强大的表示能力。
SAP方法如何提升GNN的性能？
SAP方法通过在预训练和提示调整阶段一致地利用图的结构信息，显著提升了节点分类和图分类任务的性能。
SAP在小样本场景中的表现如何？
SAP在小样本场景中表现突出，能够有效提升模型的性能。
双视图对比学习在SAP中有什么作用？
双视图对比学习用于对齐节点属性和图结构的潜在语义空间，从而增强模型的学习效果。
SAP方法的实验结果如何？
大量实验表明，SAP在节点分类和图分类任务上有效提升了性能。
为什么在预训练阶段利用图的结构信息很重要？
在预训练阶段利用图的结构信息可以更好地学习节点表示，提高后续任务的效果。
🏷️
