Mochi：通过元学习调整 预训练 和推理以实现高效的图基础模型

我们提出了 Mochi，一种图基础模型，通过采用基于元学习的训练框架来解决任务统一和训练效率问题。先前的模型使用基于重建的目标（例如链接预测）进行预训练，并假设生成的表示可以通过单独的统一步骤（例如类原型）与下游任务保持一致。我们通过综合和现实实验证明，该过程虽然简单直观，但具有直接影响下游任务性能的局限性。为了解决这些限制，Mochi 对反映下游评估协议的少数镜头集进行预训练，使训练目标与推理保持一致，而不是依赖事后统一步骤。我们表明，Mochi 及其更强大的变体 Mochi++ 在涵盖节点分类、链接预测和图分类的 25 个真实世界图数据集上，与现有图基础模型相比，实现了具有竞争力或优越的性能，同时所需的训练时间比最强基线少 8$\sim$27 倍。