Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors
论文《Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors》提出了一种无泄漏的协议，用于研究同一图上的节点分类（NC）和链接预测（LP）之间的迁移。实验使用GCN、GraphSAGE和GPS三种骨干网络，发现NC到LP的迁移在同质图上始终有益，而LP到NC的迁移通常脆弱，仅在结构主导的情况下可靠。论文还引入了CoTask Score（CTS）来总结共享编码器的联合效用。
Development
- First ReportSame Graph Cross-Task Transfer in GNNs: Protocols and PredictorsarXiv cs.LG
- Current Assessment该研究为图神经网络的多任务学习提供了方法论基础，可能影响图数据平台的特征工程和预训练策略。但结论基于特定数据集和骨干网络，泛化性需进一步验证。Agent Pulse · analysis
该论文正式定义了同图跨任务迁移问题，并提出了一个无泄漏的评估协议，该协议固定节点和边划分，使用排除评估边的共享消息传递图，并为LP使用固定负样本。在三个骨干网络上，研究发现迁移具有强烈的方向性和可预测性：在同质图上，NC到LP的迁移始终有益，而LP到NC的迁移在朴素表示重用下可能降低准确率。LP到NC的迁移仅在结构主导的情况下可靠，此时LP容易但NC未饱和，表明LP可作为结构预训练。论文还引入了CoTask Score（CTS）来总结共享编码器同时服务两个任务时的联合效用，并展示了简单的数据集统计量可以预测迁移收益。
该研究揭示了跨任务迁移的评估协议对结论有重大影响，无泄漏协议是必要的。NC到LP的迁移在同质图上稳定有益，而LP到NC的迁移需要结构主导条件，这提示了任务间的内在不对称性。CTS分数为多任务学习提供了新的评估维度，但需要更多验证。
该研究为图神经网络的多任务学习提供了方法论基础，可能影响图数据平台的特征工程和预训练策略。但结论基于特定数据集和骨干网络，泛化性需进一步验证。
对于使用图数据的公司，该研究可能降低多任务模型的训练成本，通过迁移学习提升性能。但实际收益取决于具体场景，需谨慎评估。
未来可能看到更多基于CTS的图模型评估，以及针对LP到NC迁移的改进方法。跨任务迁移的预测器可能被用于自动选择迁移策略。