クロスグラフ・チューニング不要なGNNプロンプティングのためのフレームワーク

arXiv cs.LG / 2026/4/2

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、タスク固有の再学習やパラメータ更新を行わずにグラフ間で汎化を可能にすることで、GNNプロンプティングを改善する「クロスグラフ・チューニング不要プロンプティングフレームワーク（CTP）」を提案する。
CTPは同種（ホモジニアス）および異種（ヘテロジニアス）グラフの両方で動作するよう設計されており、追加のパラメータ調整なしに未見のグラフへ直接導入できるため、「プラグアンドプレイ」の推論エンジンとして位置づけられる。
few-shot予測タスクに関する実験により、CTPは既存の最先端手法に比べて大幅な精度向上を達成し、平均で30.8%、最大で54%の改善が得られる。
本研究は、従来のグラフプロンプティング手法が抱える主要な課題である「弱いクロスグラフ汎化」を取り上げており、著者らはそれがチューニング不要プロンプティングの実用上の期待を損なっていると主張する。

概要: GNNプロンプティングは、大規模な再学習を必要とせずに、タスクやグラフをまたいでモデルを適応させることを目指します。しかし、既存の多くのグラフ・プロンプト手法は、依然としてタスク固有のパラメータ更新を必要とすることが多く、さらにグラフ間での一般化という課題にも直面しているため、性能が制限され、プロンプティングという中核的な約束が損なわれています。本研究では、クロスグラフ・チューニング不要プロンプティング・フレームワーク（CTP）を提案します。CTPは、同質および異質の両方のグラフをサポートし、追加のパラメータ調整なしで未見のグラフに直接デプロイできるため、プラグアンドプレイのGNN推論エンジンを実現します。少数ショット予測タスクに関する大規模な実験では、最先端手法（SOTA）と比較して、CTPは平均で30.8%の精度向上、最大で54%の向上を達成し、その有効性が確認されるとともに、グラフ・プロンプト学習に関する新たな視点を提供します。