GraphAlign: Pretraining One Graph Neural Network on Multiple Graphs via Feature Alignment

图形自监督学习（SSL）在挖掘和学习图形结构数据方面具有相当的潜力。然而，图形SSL中的一个重大挑战在于不同领域中图形之间的特征差异。在这项工作中，我们旨在在具有丰富节点特征的各种图形集合上预训练一个图形神经网络（GNN），然后将预训练的GNN应用于未见过的图形。我们提出了一种通用的GraphAlign方法，可以无缝地集成到现有的图形SSL框架中。为了对齐不同图形之间的特征分布，GraphAlign设计了特征编码、归一化以及混合特征专家模块的对齐策略。广泛的实验表明，GraphAlign使现有的图形SSL框架能够在多个图形上预训练统一而强大的GNN，在领域内和领域外的图形上展示出卓越的性能优势。

如何解决图结构数据中不同领域图之间节点特征差异的问题，以便在多个图之间进行预训练？

通过设计特征编码、标准化和特征专家混合等策略，提出了一种名为GraphAlign的方法，用于在多个图之间对齐节点特征分布，从而实现预训练一个统一而强大的图神经网络（GNN）。

论文在多个数据集上进行了广泛的实验，结果表明GraphAlign可以提高现有图自监督学习框架的性能，不仅在同一领域的图上，而且在跨领域的图上也表现出优越性。论文还提供了开源代码。

最近的相关研究包括：《Deep Graph Infomax》、《Self-Supervised Learning on Graphs: Deep Insights and New Direction》等。