【普渡大学】提升GNN表达能力的集体学习框架，Boost GNN Expressiveness

图神经网络(GNNs)最近被成功地用于节点和图的分类任务中，但GNNs对邻近节点属性之间的依赖关系建模，而不是对观察到的节点标签之间的依赖关系建模。在这项工作中，我们考虑了在监督和半监督设置中使用GNNs进行归纳节点分类的任务，其目标是合并标签依赖项。因为当前的GNN不是通用的。为了提高现有GNN的表达能力，我们提出了一种通用的集体学习方法。我们的框架结合了集体分类和自监督学习的思想，并使用蒙特卡罗方法来采样嵌入图的归纳学习。我们评估了5个真实网络数据集的性能，并证明了在各种最先进的GNN中，节点分类精度的一致性和显著提高。