基于强化学习的通用图提示调优学习与编辑
机器学习
2025-12-10 v1
摘要
早期的图提示调优方法依赖于图神经网络（GNN）的任务特定设计，限制了其在不同预训练策略之间的适应性。相比之下，另一条有前景的研究路线研究了通用图提示调优，该方法直接在输入图的特征空间上操作，并建立了通用图提示调优在理论上可以实现任何提示函数的等效效果、消除对特定预训练策略依赖的理论基础。近期工作提出基于选择性节点的图提示调优以追求更理想的提示。然而，我们论证了选择性节点图提示调优不可避免地损害了通用图提示调优的理论基础。在本文中，我们通过引入更严格的约束来加强通用图提示调优的理论基础，证明向所有节点添加提示是实现图提示通用性的必要条件。为此，我们提出了一种新颖的模型和范式——学习和编辑通用图提示调优（LEAP），在保持通用图提示调优理论基础的同时追求更理想的提示。具体而言，我们首先构建基础通用图提示以保留理论基础，然后采用Actor-Critic强化学习来选择节点和编辑提示。在各种预训练策略下的图级和节点级任务上的广泛实验，以及在全样本和少样本场景中，均表明LEAP持续优于微调和基于提示的其他方法。
引用
@article{arxiv.2512.08763,
title = {Learning and Editing Universal Graph Prompt Tuning via Reinforcement Learning},
author = {Jinfeng Xu and Zheyu Chen and Shuo Yang and Jinze Li and Hewei Wang and Yijie Li and Edith C. H. Ngai},
journal= {arXiv preprint arXiv:2512.08763},
year = {2025}
}
备注
Accepted by KDD 2026