GFMate：通过测试时提示微调增强图基础模型
机器学习
2026-05-28 v2
摘要
图提示微调通过引入可训练的提示来提升模型在传统单域场景中的性能，在图学习中展现出了巨大潜力。近期研究通过少样本微调辅助提示，将图提示扩展以改进图基础模型。尽管取得了一定进展，但现有大多数方法将源域信息嵌入到提示中，这些提示要么作为 GFMs 的输入，要么在模型预训练期间被编码。这种提示与特定源域和 GFM 预训练策略的纠缠，限制了它们对其他域和不同 GFMs 的泛化能力。此外，现有的 GFM 提示仅依赖少样本微调进行适应，忽略了无标签目标域测试数据中的丰富信息。基于这些见解，本文旨在通过预训练无关的测试时图提示微调来增强 GFMs，命名为 GFMate。GFMate 引入了在目标域预训练后应用的质心和层提示，避免了与特定源域和模型预训练的纠缠。此外，设计了测试时互补学习目标，以利用有标签和无标签目标域数据进行有效的测试时提示微调。在 12 个基准数据集上的大量实验证明了 GFMate 的卓越性能和效率，实现了高达 30.63% 的提升。代码可在 https://github.com/YanJiangJerry/GFMate 获取。
引用
@article{arxiv.2605.14809,
title = {GFMate: Empowering Graph Foundation Models with Test-time Prompt Tuning},
author = {Yan Jiang and Ruihong Qiu and Zi Huang},
journal= {arXiv preprint arXiv:2605.14809},
year = {2026}
}