主要观点总结
本文介绍了中科大王杰教授团队在国际顶级图学习挑战赛蛋白质功能预测任务上取得的成绩。他们提出的具有最优性保证的大语言模型和图神经网络分离训练框架，在国际顶级图学习标准OGB上获得第一名。文章详细描述了他们的方法，包括图神经网络的逆运算、标签反卷积算法、图采样等技术。实验结果表明，该方法在不同数据集上表现优异，显著优于当前最先进的方法。
关键观点总结
关键观点1: 研究背景
介绍大规模属性图上的节点表示学习的重要性和挑战。
关键观点2: 主要工作
提出了一种有效的标签正则化技术，即标签反卷积（Label Deconvolution），通过结合图结构与节点标签，生成逆标签，以缓解学习偏差。
关键观点3: 实验验证
在广泛使用的开放图基准数据集OGB上进行实验，证明该方法显著优于所有baseline。
关键观点4: 贡献
提出了一种新的图神经网络分离训练框架，通过标签反卷积等技术，提高了节点表示的准确性和效率。
文章预览
MIRA Lab 投稿 量子位 | 公众号 QbitAI 中科大成果，拿下图学习“世界杯”单项冠军！ 由中科大王杰教授团队（MIRA Lab）提出的 首个 具有最优性保证的大语言模型和图神经网络分离训练框架 ，在国际顶级图学习标准OGB（Open Graph Benchmark）挑战赛的蛋白质功能预测任务上 斩获「第一名」 ，该纪录从2023年9月27日起保持至今。 OGB是目前公认的图学习基准数据集“标杆”，由图学习领域的国际顶级学者斯坦福大学Jure Leskovec教授团队建立，于2019年国际顶级学术会议NeurIPS上正式开源。 最近，该论文发表在人工智能顶级期刊 IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI 2024） 。 TPAMI 是目前计算机类别中 影响因子最高（影响因子 20.8）的期刊之一 。 该方法引入了一个十分新颖的 图神经网络的逆运算 ，并提出标签反卷积算法来快速近似它，进而构建一
………………………………
