摘要

节点分类器在工业应用中需同时实现预测误差、训练资源消耗与推理延迟的全面优化。然而，当前大多数图神经网络（GNN）仅关注其中一至两个方面，导致其他方面成为制约整体性能的“短板”，严重阻碍其在工业级任务中的实际部署。为此，本文提出一种新颖的半监督学习方法——图熵最小化（Graph Entropy Minimization, GEM），可同步解决上述三大挑战。GEM通过利用大量未标注节点进行单跳聚合，其预测精度可媲美采用两跳或更多跳消息传递机制的GNN。该方法具备可分解特性，支持基于独立边样本的随机训练与小批量处理，实现极快的采样速度与显著的内存节省。在推理阶段，由于仅采用单跳聚合，其速度优于深层GNN；更进一步地，通过在线知识蒸馏技术推导出无跳数（non-hop）分类器，可实现极致加速。因此，GEM成为在资源受限硬件上运行、对延迟敏感且对误差容忍度低的服务的理想选择。代码已开源，地址为：https://github.com/cf020031308/GEM。