非同质性图预训练与提示学习

图是建模各种领域中复杂对象之间关系的常用方法。图神经网络（GNN）已成为图基应用的主流技术，但其性能高度依赖大量标注数据。为减少标注需求，预训练和提示学习成为流行选择。然而，大多数现有提示方法并未区分现实图的同质性和非同质性特征。特别是，许多现实图为非同质性图，既不严格或均匀同质性，也混合了同质性和非同质性模式，呈现出在图和节点之间变化的非同质性特征。本文提出ProNoG（Non-Homophilic Graph Pre-Training and Prompt Learning），一种针对此类非同质性图的预训练和提示学习框架。首先，我们分析了现有图预训练方法，提供了预训练任务选择的理论见解。其次，认识到每个节点都呈现出独特的非同质性特征，我们提出了条件网络来刻画下游任务中的节点特定模式。最后，我们通过在十个公开数据集上的大量实验对ProNoG进行彻底评估和分析。