CrossHGL：異種グラフ学習のためのドメイン横断テキスト不要の基盤モデル

要旨: 異種グラフ表現学習（HGRL）は、多様なノード型やエッジ型を含む複雑なシステムをモデリングするために不可欠である。しかし、既存のほとんどの手法は、共有スキーマや特徴空間を前提とした閉世界設定に限られており、領域をまたいだ汎化が阻害されている。近年のグラフ基盤モデルは転移可能性を高めるものの、多くは同種（ホモジニアス）グラフを対象としているか、領域固有のスキーマに依存しているか、豊富なテキスト属性を必要とする。その結果、テキストなしおよび少数ショットの領域横断HGRLは、十分に研究されていない。これに対処するため、外部のテキストによる監督なしに、多関係（multi-relational）の構造的意味論を保持し転送する基盤フレームワークCrossHGLを提案する。具体的には、意味を保持する変換戦略によって異種グラフを同種化（ホモジナイズ）しつつ、相互作用の意味論をエッジ特徴に符号化する。これに基づき、特徴・エッジ・構造の観点から自己教師ありコントラスト学習によって転移可能な知識を捉える、Tri-Prompt機構を備えたプロンプト対応マルチドメイン事前学習フレームワークを構築する。対象領域への適応のために、事前学習済みバックボーンを凍結し、プロンプト合成とプロトタイプ学習による少数ショット分類を行う、パラメータ効率の高い微調整戦略を開発する。ノードレベルおよびグラフレベルのタスクに関する実験では、CrossHGLが最先端のベースラインを一貫して上回り、ノード分類とグラフ分類におけるMicro-F1でそれぞれ平均相対改善25.1%および7.6%を達成し、特徴が劣化した困難な設定においても競争力を維持している。