知识卡片：同图跨任务迁移在GNN中的协议与预测器
英文标题：Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors
英文关键词：Graph Neural Networks; Node Classification; Link Prediction; Cross-Task Transfer; Homophily; CoTask Score
一句话结论
在 GNN 的同一张图上，节点分类（NC）到链接预测（LP）的迁移在“同质性图”上稳定有益；而链接预测到节点分类的迁移则很脆弱，朴素复用表示甚至可能降低准确率，只在“LP 容易但 NC 尚未饱和”的结构主导场景中才可靠为正。迁移方向具有强方向性，并可用简单数据集统计量（尤其是同质性）来预测和规避负迁移。
研究问题
许多真实世界图在同一底层结构上支持多种预测任务，例如节点分类（NC）和链接预测（LP）。这种结构提供了在同一张图上跨任务复用监督信号的机会。但现有评估常依赖不兼容的数据划分、对“已观测图”的假设不一致，以及不同的负采样规则，导致关于“同图跨任务迁移”的结论并不可靠。
本文正式定义了同图 NC-LP 迁移，并提出一个无泄漏协议，试图回答：同图跨任务迁移是否有效？迁移方向是否可预测？如何避免负迁移？
方法/产品要点
- 无泄漏评估协议：固定节点和边的划分；使用共享的消息传递图，并排除被评估的边；对 LP 使用固定负样本，而非随机采样。
- 三种 GNN 骨干：GCN、GraphSAGE、GPS。
- CoTask Score（CTS）：用于概括“一个共享编码器同时服务 NC 和 LP 时”的联合效用。
- 简单统计量作为预测器：尤其是图同质性（homophily），可用于指导机制选择，帮助避免负迁移。
主要结果或产业意义
- NC → LP：在同质性图上一致有益。
- LP → NC：在朴素表示复用下可能降低准确率，说明跨任务迁移不是天然正向的。
- LP → NC 仅在特定区间可靠为正：原文称为“结构主导区”（structure-dominant regime），即 LP 容易、NC 尚未饱和；此时 LP 相当于结构预训练。
- CTS 与同质性统计量：可用于判断何时该用哪种迁移机制，帮助减少负迁移。
对产业意义来说，本文意味着若要在真实图系统上做“任务间迁移”，不能默认“预训练一个任务再迁移到另一个任务”总是有用；需要根据图结构特征和任务难度选择迁移方向。
为什么重要
已有相关卡片分别关注知识图谱问答、教学反馈分类协议、医学影像跨模态迁移。本条与它们不重复，增量信息在于：
- 聚焦同一张图上不同预测任务之间的迁移，而不是跨语言、跨模态或跨图。
- 提出迁移方向性问题：NC→LP 与 LP→NC 不对称。
- 给出无泄漏评估协议和 CoTask Score（CTS），为后续研究提供可比较的基准条件。
- 强调同质性作为简单、可解释的预测因子，用于规避负迁移。
与既有脉络的关系
本条是对“图表示学习中的迁移学习”这一脉络的延续；相比已有卡片关注的跨域/跨模态/跨任务问答，本条把“迁移”问题收缩到同一图结构内部的两种常见任务之间，并提供了更可靠的评估协议与选择指标。
局限与不确定性
由于当前仅有论文摘要，以下内容“待核实”：
- 具体实验数据集、规模与任务设置。
- CTS 的具体公式与计算方式。
- “同质性”使用的阈值或连续度量方式。
- “LP 容易”和“NC 未饱和”的操作化定义。
- 固定负样本的具体生成规则。
- 与已有迁移方法/基线的量化对比结果。
- “observed-graph assumptions”这一术语的确切含义，在现有摘要文本中没有展开。
- 计算开销、训练成本等工程细节。
可用于图书/PPT/简报的角度
- “同图跨任务迁移也有方向性”：不是所有预训练都能正向迁移。
- “负迁移可以被预测”：简单统计量如 homophily 比默认的表示复用更可靠。
- “评估协议决定结论”：无泄漏协议是研究可信度的前提。
- “结构预训练的适用条件”：LP 作为结构预训练，只在特定结构主导区可靠。
- “CTS 作为联合任务效用指标”：适合在需要共享编码器的多任务图学习中引用。
原始材料
- 英文标题：Same Graph Cross-Task Transfer in GNNs: Protocols and Predictors
- arXiv ID：2607.28525v1
- 作者：Neelam Akula, Surbhi Kumar, Murat Kantarcioglu, Baris Coskunuzer
- 发布/更新：2026-07-30T17:01:20Z
- 分类：cs.LG, cs.SI
- 期刊/会议：ICML 2026
- URL：https://arxiv.org/abs/2607.28525v1
- PDF URL：https://arxiv.org/pdf/2607.28525v1
Abstract（原文）：
Many real-world graphs support multiple predictive tasks over the same underlying structure, creating an opportunity to reuse supervision across node classification (NC) and link prediction (LP). However, existing evaluations often rely on incompatible splits, observed-graph assumptions, and negative sampling rules, making conclusions about same-graph cross-task transfer unreliable. We formalize same-graph NC-LP transfer and propose a leakage-free protocol that fixes node and edge splits, uses a shared message-passing graph that excludes evaluated edges, and employs fixed negatives for LP. Across three backbones (GCN, GraphSAGE, GPS), we find that transfer is strongly directional and predictable: NC → LP is consistently beneficial on homophilic graphs, while LP → NC is fragile and can even degrade accuracy under naive representation reuse. LP → NC becomes reliably positive mainly in a structure-dominant regime where LP is easy but NC is unsaturated, suggesting that LP acts as structural pretraining. Finally, we introduce the CoTask Score (CTS) to summarize joint NC+LP utility when a shared encoder must serve both tasks, and show that simple dataset statistics, especially homophily, can guide mechanism choice and help avoid negative transfer.