摘要
如今，遵循消息传递（Message Passing）范式的图神经网络（Graph Neural Networks, GNNs）已成为处理图数据学习任务的主流方法。然而，这类模型需依赖邻接矩阵查找邻接节点，额外占用存储空间，并在聚合多个邻接节点消息时引入额外计算开销。为解决这一问题，我们提出一种名为LinkDist的新方法，该方法将连接节点对之间的自知识（self-knowledge）提炼至多层感知机（Multi-Layer Perceptron, MLP）中，无需进行消息聚合操作。在8个真实世界数据集上的实验表明，由LinkDist生成的MLP模型在不依赖节点邻接信息的情况下，仍能准确预测节点标签，且在半监督与全监督节点分类任务中，性能可与主流GNN模型相媲美。此外，得益于其非消息传递的范式，LinkDist还可通过对比学习的方式，从任意采样的节点对中进一步提炼自知识，从而持续提升模型性能。