许多用于节点分类的图神经网络（GNN）在非负局部信息的混合上直接使用线性分类器。错误的产生可能来源于两类因素：一是混合权重 $w$ 选取不佳，二是可达的 logits 集合相对于分类器位置不当。我们通过一个精确质量的线性规划（LP）将这两类原因严格分离，并提出两种后置学习的修复策略。
每一次重新加权的预测都可以等价地表示为一次中心化的 logits 平移 $t$，但只有落在由信息混合诱导的位移集合 $\mathcal{T}$ 中的平移才能通过实际的权重重分配实现。基于此，我们实现了（1）基于 LP 的最优权重重算，和（2）在 $\mathcal{T}$ 上学习的条件平移修复。
在八个数据集、八种 GNN 主干和十个随机划分的实验中，冻结模型的平均准确率为 62.6%。使用权重重算提升至 63.8%，进一步加入条件平移后提升至 65.3%。一个参数匹配的仅节点平移翻译器能够达到 64.6%，说明大部分提升来源于平移，而信息集合本身贡献相对较小。
尽管理想的（oracle）权重重算可以纠正大量错误，实际的无标签权重学习却只能捕获其中很少的潜力：局部证据往往是存在的，但难以被正确挑选；放宽证据约束（即在更大的搜索空间中学习）比在严格约束下学习更为有效。
点评