摘要

图神经网络（GNNs）已被广泛应用于图上的半监督学习任务。近期研究表明，图随机神经网络（Graph Random Neural Network, GRAND）模型在该问题上能够实现当前最优的性能表现。然而，由于其有效性依赖于计算开销较大的数据增强过程，GRAND在处理大规模图数据时面临显著挑战。针对这一问题，本文提出了一种可扩展且高性能的GNN框架——GRAND+，用于半监督图学习。为解决上述瓶颈，我们在GRAND+中设计了一种广义前向传播算法（Generalized Forward Push, GFPush），用于预先计算一个通用的传播矩阵，并基于该矩阵以小批量（mini-batch）方式高效执行图数据增强。实验表明，GFPush具有较低的时间与空间复杂度，使GRAND+能够高效扩展至大规模图数据。此外，我们在GRAND+的模型优化过程中引入了一种置信度感知的一致性损失（confidence-aware consistency loss），进一步提升了模型的泛化能力。我们在七个不同规模的公开数据集上进行了广泛的实验。结果表明：1）GRAND+具备良好的可扩展性，能够有效处理大规模图数据，且运行时间显著低于现有可扩展GNN方法；2）在所有数据集上，GRAND+均在全批量（full-batch）与可扩展GNN方法的基础上实现了稳定且一致的精度提升，展现出卓越的性能优势。