网页设计和网站建设实战大全,杭州高端定制网站,商城建站,建设网站的要求GPPT: Graph Pre-training and Prompt Tuning to Generalize Graph Neural Networks
KDD22
推荐指数#xff1a;#paper/⭐⭐#
动机
本文探讨了图神经网络#xff08;GNN#xff09;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#xff08…GPPT: Graph Pre-training and Prompt Tuning to Generalize Graph Neural Networks
KDD22
推荐指数#paper/⭐⭐#
动机
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。
受自然语言处理NLP中提示Prompt技术的启发作者提出“预训练-提示-微调”新范式旨在通过任务重表述缩小预训练与下游任务差异。例如NLP通过添加语义模板将分类任务转化为与预训练一致的填空任务如情感分类转为预测掩码词。然而图数据面临两大挑战
符号化图数据适配难题节点为抽象符号无法直接套用基于文本模板的语义改写。提示设计的有效性需结合图结构如节点邻域信息设计高效的提示函数以提升分类等任务精度。
因此本文核心研究问题聚焦于如何设计图感知提示函数以桥接预训练与下游任务从而高效激发预训练模型的知识。该方向有望通过任务形式统一化提升预训练模型的泛用性减少对定制化目标工程的依赖推动少样本图分析的进一步发展。
图提示框架
Pre-train, Prompt, Fine-tune
Graph prompting function(图提示函数) v i ′ f p r o m p t ( v i ) v_{i}^{\prime}f_{\mathrm{prompt}}(v_{i}) vi′fprompt(vi), v i ′ v_i vi′和映射头有相似的输入形状
Pairwise prompting function(成对提示函数) v i ′ f p r o m p t ( v i ) [ T t a s k ( y ) , T s r t ( v i ) ] v_{i}^{\prime}f_{\mathrm{prompt}}(v_{i})[T_{\mathbf{task}}(y),T_{\mathbf{srt}}( v_{i})] vi′fprompt(vi)[Ttask(y),Tsrt(vi)] T t a s k T_{task} Ttask是下有任务的token T s r c T_{src} Tsrc是目标节点结构的token。前者由待分类节点的标签得到后者由目标节点周围子图表示以提供更多的结构信息。很自然可以利用函数来捕获他们两个的联系
Prompt addition [ y 1 , ⋯ , y C ] [y_1,\cdots,y_C] [y1,⋯,yC]为C个类的prompt。自然可以构造token对 [ T t a s k ( y c ) , T s r t ( v i ) ] , f o r c 1 , ⋯ , C [T_{\mathrm{task}}(y_{c}),T_{\mathrm{srt}}(v_{i})],\mathrm{for~}c1,\cdots,C [Ttask(yc),Tsrt(vi)],for c1,⋯,C
Prompt answer
对于每个token对我们可以拼接并将其放入预训练的映射头如果目标节点 v i v_i vi 与某类得到最高的链接概率我们就将其归为一类。
prompt tuning min θ , ϕ ∑ ( v i , y c ) L p r e ( p ϕ p r e ( T t a s k ( y c ) , T s r t ( v i ) ) ; g ( y c , v i ) ) . \min_{\theta,\phi}\sum_{(v_i,y_c)}\mathcal{L}^{\mathrm{pre}}(p_\phi^{\mathrm{pre}}(T_{\mathrm{task}}(y_c),T_{\mathrm{srt}}(v_i));g(y_c,v_i)). minθ,ϕ∑(vi,yc)Lpre(pϕpre(Ttask(yc),Tsrt(vi));g(yc,vi)).其中g为真实的标签函数
图形提示功能设计
任务token的生成 e c T t a s k ( y c ) ∈ R d e_cT_\mathrm{task}(y_c)\in\mathbb{R}^d ecTtask(yc)∈Rd E [ e 1 , ⋯ , e C ] ⊤ ∈ R C × d E[e_{1},\cdots,e_{C}]^{\top}\in\mathbb{R}^{C\times d} E[e1,⋯,eC]⊤∈RC×dC是类别数。
很自然每个节点的token可以通过查询如上的任务token得到自己的类别。很自然的是 T t a s k ( y c ) T_{\mathbf{task}}(y_c) Ttask(yc)最优应该是类 y c y_c yc的中心。因此我们通过聚类来获得初始的tasktoken
利用可扩展聚类比如metis获得M个类 { G 1 , ⋯ , G M } \{\mathcal{G}_1,\cdots,\mathcal{G}_M\} {G1,⋯,GM}M是类别超参。对于每个类我们得到相应的task token E m [ e 1 m , ⋯ , e C m ] ⊤ ∈ R C × d E^m[e_1^m,\cdots,e_C^m]^\top\in\mathbb{R}^{C\times d} Em[e1m,⋯,eCm]⊤∈RC×d怎么感觉有问题这一行表述给定集群 处节点 v i v_i vi 的任务令牌 T t a s k ( y c ) T_{task}(y_c) Ttask(yc) 它使用向量嵌入 e c m e_c^m ecm 表示。
Structure Token Generation.(结构token的升成)
如果直接用节点v用于下游分类会失去结构信息。因此我们使用 T s t r ( v i ) T_{\mathrm{str}}(v_i) Tstr(vi)来表示子图结构,来涵盖结构信息。在本文中作者使用一阶子图来表示。 e v i a i ∗ h i ∑ v j ∈ N ( v i ) a j ∗ h j . e_{v_i}a_i*h_i\sum_{v_j\in\mathcal{N}(v_i)}a_j*h_j. eviai∗hi∑vj∈N(vi)aj∗hj.
a通过注意力机制得到
Prompt 初始化以及正交约束
直接使用随机初始化肯定不太好因此我们使用预训练的GNN来初始化 E m [ e 1 m , ⋯ , e C m ] ⊤ E^{m}[e_{1}^{m},\cdots,e_{C}^{m}]^{\top} Em[e1m,⋯,eCm]⊤。
因此我们通过节点表示来初始化标记嵌入 e c m e^m_c ecm节点表示由集群 m 处 y c y_c yc类的训练节点给出。
不同类的中心的距离应该尽可能的打因此有 L o ∑ m ∥ E m ( E m ) ⊤ − I ∥ F 2 . \mathcal{L}_o\sum_m\|E^m(E^m)^\top-I\|_F^2. Lo∑m∥Em(Em)⊤−I∥F2.
损失 min θ , ϕ , E 1 , ⋯ , E M ∑ ( v i , y c ) L p r e ( p ϕ p r e ( e c m , e v i ) ; g ( y c , v i ) ) λ L o , s . t . θ i n i t θ p r e , ϕ i n i t ϕ p r e . \begin{aligned}\min_{\theta,\phi,E^{1},\cdots,E^{M}}\sum_{(v_{i},y_{c})}\mathcal{L}^{\mathrm{pre}}(p_{\phi}^{\mathrm{pre}}(e_{c}^{m},e_{v_{i}});g(y_{c},v_{i}))\lambda\mathcal{L}_{o},\\\mathrm{s.t.}\theta^{\mathrm{init}}\theta^{\mathrm{pre}},\phi^{\mathrm{init}}\phi^{\mathrm{pre}}.\end{aligned} θ,ϕ,E1,⋯,EMmins.t.(vi,yc)∑Lpre(pϕpre(ecm,evi);g(yc,vi))λLo,θinitθpre,ϕinitϕpre.
结果
