Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors
图上同图跨任务迁移的协议与预测方法
🧭 同图跨任务迁移的评估协议与预测因子
University of Texas at Dallas · Virginia Polytechnic Institute and State University
提出无泄漏评估协议并揭示节点分类与链路预测跨任务迁移的方向性和可预测性
📌 工作参考价值（4 点）
- 泄漏防护协议可迁移至多任务图学习评估：在电商推荐中，用户-商品交互图常同时需要节点分类（如用户属性）和链路预测（如购买行为），可采用固定节点/边划分、消息传递图排除评估边、固定负样本的策略，避免数据泄漏导致的错误乐观估计。
- 根据同质性选择迁移方向：实验表明 NC→LP 在 homophilic 图上稳定正向，而 LP→NC 仅在结构易学且节点分类任务不饱和时才有效。在构建多任务模型时，可先计算图的同质性指数，指导是采用共享编码器还是分离任务分支。
- LP 作为结构预训练：在用户-商品图中，若节点属性稀疏或不可靠，可先用链路预测任务预训练 GNN，再微调到节点分类（如用户流失预测），但需监控目标任务的饱和程度，防止负迁移。
- CoTask Score (CTS) 作为联合目标：当需要单一编码器同时服务 NC 和 LP 时，CTS 能综合衡量两者效用，帮助选择最佳模型架构和训练机制，避免多任务折衷中的性能退化。