CrossHGL：面向跨域异构图学习的无文本基石模型
机器学习
2026-03-31 v1
摘要
异构图表示学习（HGRL）对于建模具有多样化节点和边类型의 complex system至关重要。然而，大多数现有方法局限于具有共享模式和特征空间的封闭世界设置，阻碍了跨域泛化。虽然最近的图基石模型改进了可迁移性，但它们往往针对均质图、依赖于特定的模式，或需要丰富的文本属性。因此，面向无文本且少样本的跨域 HGRL 仍未得到充分探索。为此，我们提出 CrossHGL，一种在无外部文本监督下保存并传递多关系结构语义的基石框架。具体而言，一种语义保持转换策略将异构图同质化，同时将交互语义编码到边特征中。基于此，一种带有 Tri-Prompt 机制的提示感知多域预训练框架通过自监督对比学习捕获跨特征、边和结构视角的可迁移知识。对于目标域适应，我们开发了一种参数高效的微调策略，冻结预训练主干网络，通过提示组合和原型学习进行少样本分类。实验表明，CrossHGL 在节点级和图级任务上均显著优于最先进的基线，分别在节点和图分类任务中实现了约 25.1% 和 7.6% 的平均微观 F1 分数提升，同时在具有挑战性特征退化设置的情况下仍保持竞争力。
引用
@article{arxiv.2603.27685,
title = {CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning},
author = {Xuanze Chen and Jiajun Zhou and Yadong Li and Shanqing Yu and Qi Xuan},
journal= {arXiv preprint arXiv:2603.27685},
year = {2026}
}