论文标题
HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning 跨同构异构图的小样本提示学习
论文链接
HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning论文下载
论文作者
Xingtong Yu, Yuan Fang, Zemin Liu, Xinming Zhang
内容简介
本文提出了HGPROMPT，一个新颖的预训练和提示学习框架，旨在统一同构图和异构图的学习过程，特别是在小样本学习场景中。传统的图神经网络（GNNs）和异构图神经网络（HGNNs）在监督学习中依赖大量特定任务的标签，这在实际应用中往往难以获得。为了解决这一问题，HGPROMPT通过双模板设计将预训练和下游任务结合起来，利用无标签图进行预训练，并通过提示学习来适应下游任务。HGPROMPT的双提示机制不仅考虑了特征变化，还处理了任务间的异质性差异。通过在三个公共数据集上的广泛实验，HGPROMPT展示了其在少样本学习中的有效性和优势。
分点关键点
- HGPROMPT框架
- HGPROMPT通过双模板设计统一了同构图和异构图的预训练与下游任务。该框架首先将异构图转换为多个同构子图，然后通过任务模板将不同任务实例化为子图相似性预测任务，从而实现任务间的统一。
-
双提示机制
- HGPROMPT引入了双提示机制，包括特征提示和异构提示。特征提示用于调整输入以适应不同任务的特征需求，而异构提示则进一步修改从异构图转换而来的同构子图的聚合权重，以便更好地对齐任务目标。
-
少样本学习
- 在少样本学习场景中，HGPROMPT能够有效利用有限的标记实例，通过预训练和提示学习的结合，减少对大量标记数据的依赖，从而提高模型在新任务上的适应能力。
- 在少样本学习场景中，HGPROMPT能够有效利用有限的标记实例，通过预训练和提示学习的结合，减少对大量标记数据的依赖，从而提高模型在新任务上的适应能力。
-
实验验证
- 通过在三个公共数据集上的实验，HGPROMPT展示了其在节点分类和图分类任务中的优越性能，证明了该框架在处理异构图和少样本学习中的有效性。
论文代码
代码链接：https://github.com/your-repo-link (假设存在代码链接，实际链接需根据论文提供)
AAAI2024论文合集：
希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！
中文关键词
- 同构图
- 异构图
- 提示学习
- 小样本学习
- 预训练
- 图神经网络