基于边缘的图神经网络提示调优

使用无标签图数据以自监督方式预训练强大的图神经网络（GNN）已成为近年来流行的技术之一。然而，预训练与下游任务之间不可避免地存在目标差距。为弥合这一差距，图提示调优技术通过操控输入图或无需微调预训练GNN模型即可将下游任务重新框定为预训练任务来设计和学习图提示。虽然最近的图提示调优方法在为下游任务适配预训练GNN模型方面证明有效，但它们忽略了边缘在图提示设计中的关键作用，这会显著影响下游任务中图表示的质量。本文我们提出了EdgePrompt，这是一种从边缘视角出发的简单而有效的图提示调优方法。不同于以前设计节点特征上提示向量的研究，EdgePrompt通过学习边缘的额外提示向量来操控输入图，并通过消息传递在预训练GNN模型中集成边缘提示，以更好地为下游任务嵌入图结构信息。我们的方法与流行的GNN架构兼容，可在各种预训练策略下使用，并且适用于不同的下游任务。我们对方法在处理节点分类和图分类等下游任务方面的能力进行了全面的理论分析。十个图数据集上的四种预训练策略下的广泛实验表明，我们所提出的方法在六个基线方法面前优势显著。我们的代码可在https://github.com/xbfu/EdgePrompt获取。