消息传递模型（Message Passing Model）基于拉普拉斯平滑假设(邻居是相似的)，试图聚合图中的邻居的信息来获取足够的依据，以实现更鲁棒的半监督节点分类。
图神经网络（Graph Neural Networks, GNN）和标签传播算法（Label Propagation, LPA）均为消息传递算法，其中GNN主要基于传播特征来提升预测效果,而LPA基于迭代式的标签传播来作预测。
一些工作要么用LPA对GNN预测结果做后处理，要么用LPA对GNN进行正则化。但是，它们仍不能直接将GNN和LPA有效地整合到消息传递模型中。
为解决这个问题，本文提出了统一消息传递模型（UNIMP）[1]，它可以在训练和推理时结合特征和标签传播。UniMP基于两个简单而有效的想法：
- 将特征嵌入和标签嵌入同时作为输入信息进行传播
- 随机掩码部分标签信息，并在训练时对其进行预测
UniMP在概念上统一了特征传播和标签传播，具有强大的经验能力。 
二、实现
2.1 关键部分
- 将标签进行嵌入（原有的C类One-hot标签，通过线性变换成与原始节点特征相同的维度）。
- 然后，将标签嵌入和节点特征相加作为GNN输入。 为避免训练时使用标签导致标签泄露，这里使用了掩码标签训练的策略。每个Epoch随机将训练集中部分节点的标签置（掩码）0（视为训练监督信号），然后利用节点特征 \(\mathbf{X}\) 和 \(\mathbf{A}\)以及剩余的标签去预测被掩码的标签）。
2.2 模型部分
UniMP中使用了GraphTransformer(Transformer中的Q、K、V注意力形式，加上边特征)，同时引入了H-GCN的门控残差机制来缓解过平滑。
三、个人实验
将标签作为输入，在ArixV数据集节点分类任务上，能在小数点后第2位提升接近2个点。
论文BOT[2]中也对标签作为输入做了阐述，其作者还发表了相应的论文来论证标签作为输入的有效性的原因。
四、总结
标签有效的直觉就是，在图上的节点分类任务中，邻居标签也是预测目标节点标签的关键特征（这也和标签传播的思想一致）
标签嵌入和掩码标签预测是提升节点分类任务简单有效的方法。
这也印证了，特征层面的改进有时或许比模型结构提升来得更快。
参考文献
[1] Masked Label Prediction: Unified Message Passing Model for Semi-Supervised Classification
[2] Bag of Tricks for Node Classification with Graph Neural Networks