AAAI 2024 | HGPrompt: 统一同质图和异质图的少样本图提示学习

©PaperWeekly 原创 · 作者 | 于星橦

单位 | 中国科学技术大学博士生

研究方向 | 图神经网络

论文题目：

HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning

论文链接：

https://arxiv.org/pdf/2312.01878.pdf

代码链接：

https://github.com/Starlien95/HGPrompt

论文录用：

AAAI 2024 Main Technical Track

作者主页：

https://xingtongyu.netlify.app/

三分钟读论文

Powered by AI © PaperWeekly

摘要

图神经网络和异质图神经网络是图学习的重要技术，然而它们基于端到端监督框架，其性能极大地依赖于特定任务的监督信息的可用性。为了降低对有标记数据的依赖，基于无监督的预训练已成为一种流行的范式，但预训练和下游任务之间往往存在差距，这源于它们训练目标的不同。为了弥合这一差距，提示学习已成为一个有前景的方向，特别是在少量样本的场景下中，无需微调预训练模型。

尽管已经有一些图上的提示学习工作，但它们只处理同质图，忽视了下游应用中普遍存在的异质图。在本文中，我们提出 HGPROMPT，一种新颖的预训练和提示学习框架，不仅统一了预训练和下游任务，还通过双模板设计统一了同质和异质图。

此外，我们在 HGPROMPT 中提出双提示，以帮助下游任务获取最相关的预训练知识，以弥合不仅由特征变化，还有任务间异质性差异引起的差距。最后，我们通过在三个公共数据集上的广泛实验，全面评估和分析了 HGPROMPT 的性能。