具有全局上下文的特定于任务的提示，用于多任务图预训练

摘要

arXiv:2609.00047v1 Announce Type: new Abstract: Graph prompt learning is an effective paradigm to adapt pre-trained graph models to downstream tasks in low-resource scenarios. However, existing multi-...

the prompt graph task and structural pre TPGC prior models

2026-09-02 1 阅读约1分钟阅读 Zhiyang Qiu, Yangtao Wang, Xiaocui Li, Yanzhao Xie, Siyuan Chen, Wensheng Zhang

arXiv:2609.00047v1 公告类型：新摘要：图提示学习是一种有效的范式，可以使预训练的图模型适应资源匮乏场景下的下游任务。然而，现有的多任务图预训练框架通常使用随机初始化的提示，导致提示空间、借口目标和图结构特征之间的一致性较差。这极大地削弱了即时表征的任务相关性、结构意识和可迁移性。为了应对这一挑战，我们提出了 TPGC，这是一种双先验提示初始化解决方案，它显式地模拟了任务先验和结构先验之间的协同作用。具体来说，任务优先注入模块首先在辅助图上进行简短的同源多任务预训练，从而实现即时初始化以继承与多个借口任务相关的优化偏好。结构优先注入模块建立在任务感知表示的基础上，进一步从辅助图中提取可转移的全局结构上下文，通过聚合结构信息节点嵌入将其转换为分层提示向量。对涵盖节点和图分类的 6 个主流基准进行的广泛实验表明，与最先进的基线相比，TPGC 在少样本设置下始终获得更好的性能，并且下游可调参数更少，运行时间更短。代码可在 https://github.com/Virgilqiu/TPGC 获取

订阅66必读