标题：GCoT刷新图学习表现上限：思维链推理在无文本图数据中的应用

图神经网络能更智能吗？答案是肯定的。新加坡管理大学与中国科学技术大学的研究团队提出了GCoT，首个针对无文本图数据的类思维链提示学习框架。GCoT在八个图数据集的少样本节点分类与图分类任务中全面超越现有SOTA方法，尤其在1-5样本的极少样本设置下表现尤为突出。

GCoT的核心在于逐步推断机制。它将推断过程分解为“基于提示的推断”、“思维构建”及“基于思维的提示学习”。通过预训练图编码器处理图与提示，生成各层隐藏表示的“思维”，再据此学习节点专属提示，引导后续推断。研究者在八个公开数据集上验证了GCoT的有效性。

此外，团队还设计了标准提示学习方法和提示微调策略，进一步提升了模型性能。实验结果显示，GCoT不仅在少样本任务中表现优异，且通过消融实验证明了其分步推断机制与多层信息融合的重要性。加入CoT的其他基准模型也表现出性能提升，显示了GCoT的广泛应用潜力。

GCoT开创性地将思维链提示学习引入无文本图数据领域，拓展了图学习的推理方式，为未来研究提供了新方向。相关论文与代码已公开。