图上测试时间计算的自适应循环消息传递

预训练的基础模型在许多领域取得了显着的成功，使统一的骨干网能够泛化到不同的下游任务。然而，由于图数据和固定架构设计之间的内在不匹配，将这种范式扩展到图学习仍然具有挑战性。在这项工作中，我们证明可以通过循环图模型克服这一限制。为了实现这一目标，我们进行了系统的理论分析，严格推导步骤依赖性作为自适应收敛循环过程的充分必要条件。在此基础上，我们提出了 AdaR，一种自适应循环图模型，能够在不改变模型参数的情况下对各种下游任务进行灵活的测试时计算。为了实现自适应推理，AdaR 显式地将标准化步骤信息和表示-目标关系编码到循环更新中。为了确保循环过程的收敛，AdaR 采用基于梯度的监督信号来指导整个循环过程中的表示更新。实证结果表明，AdaR 在归纳和传导设置中始终优于强基线。