論文の概要: PreGress: Ranking-Native Pre-training and Prompting for Graph Node Ranking

• arxiv url: http://arxiv.org/abs/2608.09016v1
• Date: Mon, 10 Aug 2026 02:16:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.036906
• Title: PreGress: Ranking-Native Pre-training and Prompting for Graph Node Ranking
• Title（参考訳）: PreGress: Graph Nodeランキングのランク付け-負の事前トレーニングとプロンプト
• Abstract要約: PreGressはノードランキングタスクのためのランキングネイティブな事前トレーニングフレームワークである。 完全に再トレーニングすることなく、フリーズされたランキングバックボーンを下流タスクに適合させることができる。 6つの公開グラフと2つの実世界のクェリ-ツー-テムベンチマークの実験は、タスク固有の状態オーバーヘッドが低い強いランキング品質を示している。
• 参考スコア（独自算出の注目度）: 9.587438658057287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node ranking is a fundamental problem in graph information retrieval, measuring the relative importance of nodes and supporting a wide range of applications such as influence analysis, recommendation, and graph-based retrieval augmented generation. However, exact computation of graph-based ranking measures is often computationally prohibitive at scale. Existing GNN-based ranking methods provide scalable approximations, but they are typically tailored to individual ranking criteria and require retraining for each downstream task, which limits their transferability and efficiency. Recent graph pre-training approaches aim to enable knowledge transfer across tasks, yet their learning objectives are largely misaligned with node ranking, resulting in suboptimal adaptability to ranking-oriented applications. To address these limitations, we propose PreGress, the first ranking-native pre-training and prompting framework for supporting a wide range of node ranking tasks. PreGress performs multi-task pre-training using our carefully designed objectives, including degree centrality prediction and attribute reconstruction, to jointly capture structural and attribute information. To support heterogeneous ranking criteria, we design lightweight, task-specific prompt modules that adapt a frozen ranking backbone to downstream tasks without full retraining. Experiments on six public graphs and two real-world query-to-item benchmarks---Yelp2018 and MovieLens-100K---together with a controlled five-criterion graph-access study demonstrate strong ranking quality with low task-specific state overhead.
• Abstract（参考訳）: ノードランキングは、グラフ情報検索における基本的な問題であり、ノードの相対的重要性を測定し、影響分析、レコメンデーション、グラフベースの検索拡張生成など幅広いアプリケーションをサポートする。 しかし、グラフに基づくランキング尺度の正確な計算は、大規模では計算が禁止されることが多い。 既存のGNNベースのランキング手法はスケーラブルな近似を提供するが、通常は個々のランキング基準に合わせて調整され、下流のタスクごとに再トレーニングが必要であり、転送可能性と効率が制限される。 最近のグラフ事前学習手法は、タスク間の知識伝達を可能にすることを目的としているが、学習目的はノードのランク付けとほとんど一致していないため、ランク付け指向のアプリケーションに準最適適応性をもたらす。 これらの制限に対処するために、PreGressを提案する。PreGressは、さまざまなノードランキングタスクをサポートするための、最初のランキングネイティブ事前トレーニングおよびプロンプトフレームワークである。 PreGressは、重心性予測や属性再構成など、慎重に設計された目的を用いてマルチタスク事前訓練を行い、構造情報と属性情報を共同でキャプチャする。 不均一なランキング基準をサポートするために、フリーズされたランキングバックボーンをフルリトレーニングなしで下流タスクに適応する軽量なタスク固有のプロンプトモジュールを設計する。 6つの公開グラフと2つの実世界のクエリ・ツー・テムベンチマーク(-Yelp2018とMovieLens-100K)の実験では、制御された5つの基準のグラフアクセススタディは、タスク固有の状態オーバーヘッドの少ない強力なランキング品質を示している。

関連論文リスト

• Task-Specific Prompt with Global Context for Multi-Task Graph Pre-Training [15.126121507828637]
  本稿では,タスク前と構造前との相乗効果を明示的にモデル化する二元的プロンプトソリューションTPGCを提案する。 TPGCは、最先端のベースラインよりも、数ショット設定で一貫してパフォーマンスが向上し、ダウンストリームパラメータが減り、ランタイムが低くなった。
  論文  参考訳（メタデータ） (2026-08-30T04:28:51Z)
• Adaptive Dual Prompting: Hierarchical Debiasing for Fairness-aware Graph Neural Networks [48.53089517358632]
  本稿では,事前学習したGNNモデルを下流タスクに適用するための公平性を向上する適応型デュアルプロンプト(ADPrompt)フレームワークを提案する。 我々は,ADPromptの性能を評価するために,4つの事前学習戦略を用いた4つのデータセットに関する広範な実験を行った。
  論文  参考訳（メタデータ） (2025-10-27T16:07:36Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• RELIEF: Reinforcement Learning Empowered Graph Feature Prompt Tuning [15.385771185777626]
  近年,グラフ表現学習に一般化能力とデータ効率を応用した「事前学習,プロンプト」パラダイムが提案されている。 本稿では,Reinforcement Learning (RL) を用いたRELIEFを提案する。
  論文  参考訳（メタデータ） (2024-08-06T13:55:51Z)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• Generalized Graph Prompt: Toward a Unification of Pre-Training and Downstream Tasks on Graphs [20.406549548630156]
  GraphPromptは、グラフに関する新しい事前トレーニングおよびプロンプトフレームワークである。 トレーニング済みタスクとダウンストリームタスクを共通タスクテンプレートに統合する。 また、学習可能なプロンプトを使用して、トレーニング済みモデルから最も関連性の高い知識を見つけるために、下流タスクを支援する。
  論文  参考訳（メタデータ） (2023-11-26T14:35:28Z)
• GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks [16.455234748896157]
  GraphPromptは、グラフに関する新しい事前トレーニングおよびプロンプトフレームワークである。 トレーニング済みタスクとダウンストリームタスクを共通タスクテンプレートに統合する。 また、トレーニング前のモデルから最も関連性の高い知識を見つけるために、下流タスクを支援するための学習可能なプロンプトも採用している。
  論文  参考訳（メタデータ） (2023-02-16T02:51:38Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• 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)
• GNNRank: Learning Global Rankings from Pairwise Comparisons via Directed Graph Neural Networks [68.61934077627085]
  本稿では,グラフ埋め込みを学習可能なGNNと互換性のあるモデリングフレームワークであるGNNRankを紹介する。 既存の手法と比較して,我々の手法が競争力があり,しばしば優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-02-01T04:19:50Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)

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。