多图多任务预训练方法(GraphFM)通过将特定领域的特征压缩到一个共同的潜空间，并在不同领域的数据上进行扩展，提高了通用模型的泛化能力。该方法通过对152个不同图数据集进行预训练，并根据跨多个领域的数据构建扩展规律，证明了在真实和合成图上进行多图预训练可以减轻当前图训练方法的负担，创建一种能在广泛数据集和任务中竞争的单一通用模型。

这篇文章分析了基于自主学习的图神经网络模型的广义化和可扩展性。通过生成节点表示，比较了各种自主学习图神经网络模型在节点分类、链接预测和节点聚类等任务上的性能。同时，评估了全批次和小批次训练策略对模型性能的影响，并考察了这些模型的训练效率。