gfm

Non-Homophilic Graph Pre-Training and Prompt LearningKDD25#paper/⭐#目的：对异配图进行prompt‍s v = 1 ∣ V ( S v ) ∣ ∑ u ∈ V ( S v ) h u ⋅ s i m ( h u , h v ) , \mathbf{s}_{v}=\frac{1}{|V(S_{v})|}\sum_{u\in V(S_{v})}\mathbf{h}_{u}\cdot\mathrm{sim}(\mathbf{h}_{u},\mathbf{h}_{v}), sv=∣V(Sv)∣1∑u∈V(Sv)hu⋅sim(hu,hv),

GPPT: Graph Pre-training and Prompt Tuning to Generalize Graph Neural NetworksKDD22推荐指数：#paper/⭐⭐#本文探讨了图神经网络（GNN）在迁移学习中“预训练-微调”框架的局限性及改进方向。现有方法通过预训练（如边预测、对比学习）学习可迁移的图结构知识，在微调时将其应用于下游任务（如节点分类）。然而，预训练目标与下游任务之间的差异（如二元边预测与多类节点分类）导致知识传递低效甚至负迁移——微调效果可能逊于从头训练。传统改进方案依赖为每个下游任务定制预训练目标（目标工程），但需大量领域知识与试错成本。

Self-Pro: A Self-Prompt and Tuning Framework for Graph Neural Networks#paper/GFM/GNN-BASED# #paper/⭐⭐⭐#注意：这篇文章是每个图一个GCN模型，而不是所有图一个GCN 模型