Fugu-MT 論文翻訳(概要): A Cross-graph Tuning-free GNN Prompting Framework

論文の概要: A Cross-graph Tuning-free GNN Prompting Framework

arxiv url: http://arxiv.org/abs/2604.00399v1
Date: Wed, 01 Apr 2026 02:34:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-02 16:44:31.802552
Title: A Cross-graph Tuning-free GNN Prompting Framework
Title（参考訳）: クロスグラフチューニング不要なGNNプロンプトフレームワーク
Authors: Yaqi Chen, Shixun Huang, Ryan Twemlow, Lei Wang, John Le, Sheng Wang, Willy Susilo, Jun Yan, Jun Shen,
Abstract要約: 等質グラフと異質グラフの両方をサポートするクロスグラフ・チューニングフリー・プロンプティング・フレームワーク(CTP)を導入する。 CTPは、パラメータチューニングを余儀なく直接未確認のグラフにデプロイできるため、プラグアンドプレイのGNN推論エンジンが可能である。数ショットの予測タスクの実験では、SOTAと比較して平均精度は30.8%、最大精度は54%向上している。
参考スコア（独自算出の注目度）: 22.062254916602637
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: GNN prompting aims to adapt models across tasks and graphs without requiring extensive retraining. However, most existing graph prompt methods still require task-specific parameter updates and face the issue of generalizing across graphs, limiting their performance and undermining the core promise of prompting. In this work, we introduce a Cross-graph Tuning-free Prompting Framework (CTP), which supports both homogeneous and heterogeneous graphs, can be directly deployed to unseen graphs without further parameter tuning, and thus enables a plug-and-play GNN inference engine. Extensive experiments on few-shot prediction tasks show that, compared to SOTAs, CTP achieves an average accuracy gain of 30.8% and a maximum gain of 54%, confirming its effectiveness and offering a new perspective on graph prompt learning.
Abstract（参考訳）: GNNプロンプトは、タスクやグラフをまたいでモデルを適応することを目的としている。しかし、既存のグラフプロンプトメソッドは依然としてタスク固有のパラメータの更新を必要としており、グラフをまたいで一般化し、パフォーマンスを制限し、プロンプトのコアとなる約束を損なうという問題に直面している。本研究では,同種グラフと異種グラフの両方をサポートするクロスグラフ・チューニングフリー・プロンプティング・フレームワーク(CTP)を導入し,パラメータ調整を伴わずに直接未確認グラフにデプロイし,プラグイン・アンド・プレイのGNN推論エンジンを実現する。数ショットの予測タスクに関する大規模な実験では、SOTAと比較して、CTPは平均精度が30.8%、最大精度が54%向上し、その有効性を確認し、グラフプロンプト学習の新しい視点を提供する。

関連論文リスト

GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-25T22:50:12Z)
Heterogeneous Graph Prompt Learning via Adaptive Weight Pruning [37.735384483052044]
グラフニューラルネットワーク(GNN)は、様々なグラフベースのタスク(ノード分類やリンク予測など)で顕著な成功を収めた。彼らの勝利にもかかわらず、GNNは長いトレーニングや推論時間、複雑な関係を捉えるのが難しいこと、機能の抽出が不十分なことといった課題に直面している。本稿では,グラフプロンプトとウェイトプルーニングを組み合わせた新しいフレームワークGPAWPを提案する。
論文参考訳（メタデータ） (2025-07-12T04:12:24Z)
Edge Prompt Tuning for Graph Neural Networks [40.62424370491229]
本稿では,エッジの観点からの簡易かつ効果的なグラフプロンプトチューニング手法であるEdgePromptを提案する。本手法は,各種事前学習戦略の下で事前学習したGNNアーキテクチャと互換性がある。
論文参考訳（メタデータ） (2025-03-02T06:07:54Z)
DAGPrompT: Pushing the Limits of Graph Prompting with a Distribution-aware Graph Prompt Tuning Approach [36.29151413055608]
グラフプロンプト法はヘテロフィリーグラフのような複雑なグラフと競合する。本稿では,グラフプロンプト法を複雑グラフに適用する上での2つの重要な課題について述べる。本稿では,これらの課題を克服するために,分散対応グラフプロンプトチューニング(DAGPrompT)を提案する。
論文参考訳（メタデータ） (2025-01-25T08:53:42Z)
Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2025-01-01T08:48:53Z)
Instance-Aware Graph Prompt Learning [71.26108600288308]
本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2024-11-26T18:38:38Z)
Reliable and Compact Graph Fine-tuning via GraphSparse Prompting [24.381392096420402]
グラフプロンプトおよびグラフスパースプロンプト(GSP)におけるスパース表現理論の活用を提案する。 GSPは、下流タスクのコンパクトなプロンプトを達成するために最適な要素を適応的かつ簡潔に選択することを目的としている。 GSFP と GSmFP モデルを解くために、単純で効果的なアルゴリズムが設計された。
論文参考訳（メタデータ） (2024-10-29T05:31:14Z)
Deep Prompt Tuning for Graph Transformers [55.2480439325792]
ファインチューニングはリソース集約型であり、大きなモデルのコピーを複数保存する必要がある。ファインチューニングの代替として,ディープグラフプロンプトチューニングと呼ばれる新しい手法を提案する。事前学習したパラメータを凍結し、追加したトークンのみを更新することにより、フリーパラメータの数を減らし、複数のモデルコピーを不要にする。
論文参考訳（メタデータ） (2023-09-18T20:12:17Z)
Universal Prompt Tuning for Graph Neural Networks [10.250964386142819]
我々は,任意の事前学習戦略の下で,事前学習したGNNモデルに対して,GPF(Graph Prompt Feature)と呼ばれる普遍的なプロンプトベースのチューニング手法を提案する。 GPFは入力グラフの特徴空間上で動作し、理論的には任意の形式のプロンプト関数に等価な効果を達成できる。本手法は,事前学習戦略を応用したモデルに適用した場合,既存の特殊プロンプトベースのチューニング手法よりも大幅に優れる。
論文参考訳（メタデータ） (2022-09-30T05:19:27Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。