我院博士研究生马欢畅的论文“Graph Neural Network Model Transferability Estimation via Decomposition-Augmented Discriminant Analysis”被WWW 2026接收。马欢畅2023年攻读博士学位，加入智能信息处理实验室，导师是高健教授。

会议简介：自1989年万维网发明以来，国际万维网大会（International World Wide Web Conference，简称 WWW）每年举行一次，是以万维网的未来发展方向为主题的国际学术会议，该会议一直是展示和探讨在研究、开发、标准以及塑造万维网未来的应用方面所取得进展的年度顶级论坛，同时也是中国计算机学会（CCF）推荐A类会议。

作者顺序：马欢畅，郑欣，李健宇，Alan Wee-Chung Liew，兰伟，高健

本研究通过分解增强判别分析对图神经网络模型的可迁移性进行评估。模型迁移性评估是一项任务自适应的预训练模型选择问题，旨在从在源数据集上预训练的模型库中确定适用于目标数据集的最佳模型，且无需微调。尽管现有的模型迁移性评估方法已取得一定进展，但它们主要集中在计算机视觉（CV）和自然语言处理（NLP）中的图像或文本数据上。相比之下，由于图结构数据的复杂性以及图神经网络（GNN）模型在分布偏移下的泛化能力有限，基于GNN模型的图结构数据迁移性评估仍处于探索阶段。为填补这一空白，我们首先提出了一种基于分解增强判别分析的图神经网络模型迁移性评估方法，命名为GNNMTE，用于评估未经微调的GNN模型在目标图数据集上的迁移性。它仅计算GNNMTE得分，以确定模型能否有效迁移到目标图数据集，并更好地选择适用于目标图数据集的最佳模型。在跨领域图数据集上进行的大量实验取得了卓越成果，充分展示了其强大的优越性。

初审：武珊

复审：魏来

终审：郑燕林