NodePFN：从合成图先验学习节点分类的后验预测分布

图机器学习的一大挑战是在属性不同的图之间泛化。图神经网络通常需要为新图单独训练，且依赖每个图的标注数据；同配性、社区结构和特征分布的差异限制了通用节点分类。受大模型在多样数据上大规模预训练形成上下文学习能力的启发，我们提出NodePFN，一种无需图特定训练、可泛化到不同图的节点分类方法。NodePFN仅在由精心设计先验生成的数千个合成图上训练，学习后验预测分布。合成图通过具有可控同配性的随机网络，以及描述复杂特征—标签关系的结构因果模型覆盖真实图特征。双分支架构结合上下文—查询注意力与局部消息传递，实现图感知上下文学习。23个基准上的评测显示，单一预训练NodePFN达到71.27的平均准确率，说明合成先验可用于学习跨图的通用模式。