摘要
图神经网络（GNNs）在图结构已知的情况下表现良好。然而，在实际应用中，图结构往往无法直接获得。针对这一问题的一种解决方案是：先推断出与特定任务相关的隐式图结构，再将GNN应用于该推断得到的图。然而，随着节点数量的增加，可能的图结构空间呈超指数级增长，因此仅依赖任务相关的监督信号，往往难以同时有效地学习图结构与GNN参数。为此，本文提出了一种名为“自监督联合学习邻接关系与GNN参数”（Simultaneous Learning of Adjacency and GNN Parameters with Self-supervision, 简称SLAPS）的方法，通过引入自监督机制为图结构推断提供更充分的监督信号。大规模的实验研究表明，SLAPS能够有效扩展至包含数十万节点的大规模图，并在多个标准基准测试中显著优于此前提出的多种用于学习任务相关图结构的模型。