基于低秩图消息提示的统一图提示学习
机器学习
2026-04-14 v1
摘要
图数据提示(GDP)通过在图数据中引入特定提示来高效地适配预训练图神经网络(GNN)，已成为图微调学习的主流方法。然而，现有的GDP分别针对不同的图组件(如节点特征、边特征、边权)进行设计，因而仅在图数据的局部提示空间内运作。迄今为止，尚无一种统一的提示器可同时针对所有图组件进行提示。为此，本文首先提出从图消息提示(GMP)范式重新解释广泛现有GDP的方法。基于GMP，我们引入一种新型图提示学习方法，称为低秩GMP(LR-GMP)，利用低秩提示表示实现高效且紧凑的图提示学习。不同于传统GDP分别针对不同图组件进行提示，LR-GMP统一地对所有图组件进行提示，从而在 diverse下游任务上实现显著优于的泛化和鲁棒性。广泛的实验在几个图基准数据集上表明了LR-GMP方法的有效性与优势。
引用
@article{arxiv.2604.11257,
title = {Unified Graph Prompt Learning via Low-Rank Graph Message Prompting},
author = {Beibei Wang and Bo Jiang and Ziyan Zhang and Jin Tang},
journal= {arXiv preprint arXiv:2604.11257},
year = {2026}
}