编辑推荐：
图神经网络提示（GNN prompting）旨在调整模型以适应跨任务和跨图，而无需大量重新训练。然而，大多数现有图提示方法仍然需要任务特定的参数更新，并面临跨图泛化的问题，限制了其性能并削弱了提示的核心承诺。在这项工作中，研究人员引入了一个跨图免调优提示框架（
图神经网络提示（GNN prompting）旨在调整模型以适应跨任务和跨图，而无需大量重新训练。然而，大多数现有图提示方法仍然需要任务特定的参数更新，并面临跨图泛化的问题，限制了其性能并削弱了提示的核心承诺。在这项工作中，研究人员引入了一个跨图免调优提示框架（Cross-graph Tuning-free Prompting Framework, CTP），该框架支持同质图和异质图，可以直接部署到未见过的图上而无需进一步参数调优，从而实现了一个即插即用的图神经网络（GNN）推理引擎。在少样本（few-shot）预测任务上的大量实验表明，与最先进方法（SOTAs）相比，CTP实现了平均30.8%的准确率提升和最大54%的提升，证实了其有效性，并为图提示学习（graph prompt learning）提供了新的视角。
### 研究背景与问题
图神经网络（Graph Neural Networks, GNNs）在社交网络、知识图谱、生物系统和推荐系统等领域展现出强大的关系建模能力。然而，其实际部署仍受限于以下问题：多数GNN在特定图设置下训练，模型无法有效迁移到结构、语义甚至图类型截然不同的新图上；现有方法依赖监督信号或任务特定标签，导致在标签稀缺场景下可扩展性差；即便迁移到新图，也常需额外微调，带来高昂计算成本。为解决这些局限，主流范式包括预训练-微调（pre-train fine-tune）和提示学习（prompt learning）。预训练-微调仍需要更新任务特定参数，而现有的图提示方法虽冻结了主干网络，却引入了可训练的提示令牌或模块，仍需下游参数优化，未能实现真正的即插即用（plug-and-play）。此外，多数方法在相同图内评估，缺乏跨图归纳泛化能力，且仅支持单一图类型（如仅同质图或仅知识图谱），无法统一处理多种图结构。
### 研究目标与意义
针对上述问题，研究人员提出跨图免调优提示框架（Cross-graph Tuning-free Prompting Framework, CTP），旨在实现：在源图上自监督预训练一次后，直接部署到未见过的下游图，无需任何参数更新，即可执行少样本（few-shot）节点分类和链接预测任务，且同时支持同质图和异质图。该研究填补了图提示学习在免调优、自监督、跨图归纳及多图类型统一支持方面的空白，为图学习提供了更实用的部署方案。
### 关键技术方法
CTP包含三个核心组件，均在预训练阶段优化，推理时无需参数调整：
1. **代表性示例与查询收集**：通过自监督GNN（如GraphSAGE）生成节点嵌入，结合随机游走目标函数捕捉高阶结构信息。对嵌入进行K-Means聚类（K取较大值），选取聚类中心作为候选中心；同时随机补充节点，构成中心集（centroid set）。每个中心提取其h跳邻域，视为一个伪类（pseudo class），从中采样示例（example）和查询（query）节点，构建支持集（support set）和查询集（query set）。
2. **上下文构建与平衡增强**：为每个输入节点提取其邻域子图作为上下文图。为避免过拟合，采用增强策略：定义保护节点集（包括中心、示例、查询及部分剩余节点），仅对非保护节点应用节点丢弃和特征掩码操作。该平衡增强策略在保持结构一致性和完整性之间取得平衡，避免独立增强引入的冲突或破坏关键结构。
3. **判别式提示图学习**：构建提示图（prompt graph），其中上下文节点（示例和查询）通过GNN
init和读出函数得到初始嵌入，标签节点初始化为同类示例嵌入的平均值（平均标签初始化）。随后利用注意力机制GNN
ref精化所有节点嵌入。分类任务转化为查询嵌入与标签嵌入的余弦相似度比较，优化目标包括交叉熵损失（Cross-Entropy loss）和正交损失（orthogonal loss），后者防止标签嵌入坍塌，保持类间间隔。此外，采用掩码属性预测作为辅助损失（attribute prediction loss）增强学习。
样本队列来源：节点分类任务在MAG240M子集（约20M节点）上预训练，在arXiv数据集（169K节点）上评估；链接预测任务在Wiki数据集（4.8M节点）上预训练，在ConceptNet（791K节点）、FB15K-237（15K节点）和NELL（69K节点）上评估。
### 研究结果
**Exp 1 – 节点分类任务结果**：在arXiv上，CTP在3、5、10、20、40路（way）设置下均取得最佳准确率，相比次优基线PG-NM，分别提升+9.27%、+10.11%、+8.32%、+5.69%、+5.74%。尤其在40路情况下，CTP达到16.37%，而PG-NM为10.63%。所有设置下标准差低，表明稳定性强。随着类别数增加，基线性能下降更明显，CTP在挑战性场景下优势突出。
**Exp 2 – 链接预测任务结果**：在Wiki预训练后，测试于ConceptNet、FB15K-237和NELL。CTP在大多数设置下优于PG-NM、Contrastive和GraphPrompter。例如在FB15K-237的5路、10路、20路下，分别提升+3.31%、+1.55%、+3.01%；在NELL的10路、20路下提升+1.39%、+0.60%。在ConceptNet（4路）上，CTP也优于Contrastive和GraphPrompter。结果表明CTP在异质图跨图迁移中具备强泛化能力。
**Exp 3 – 消融实验**：依次移除三个优化组件（示例查询收集O1、上下文构建O2、图学习目标O3），单独或组合应用均带来性能提升，而三者联合使用（O1+O2+O3）增益最大，表明组件间协同互补。例如在3路下，PG-NM为56.82%，O1+O2+O3达66.16%。
**Exp 4 – 参数研究：λ和p**：考察正交损失权重λ和保护比例p。在0.1~0.5范围内，CTP在所有设置下均优于PG-NM，且在中度参数值（如λ=0.3、p=0.3附近）取得最佳结果，验证了平衡增强和判别式目标的有效性。
**Exp 5 – 参数研究：示例数量**：改变下游任务提供的示例数量（0~20个），CTP在所有配置下均优于PG-NM，且随任务难度增加（更多路数）差距扩大。增益在初始示例增加时显著，约7~10个示例后趋于饱和，但CTP始终稳定，表明其能从有限监督中有效利用信息。
### 总结与讨论
论文结论部分指出：CTP是首批免调优GNN提示框架之一，在单个源图上自监督预训练后，可直接应用于未见过的图，无需参数更新，实现对节点级和边级任务的无缝适应。大量实验表明，CTP在多种图类型上取得稳健性能，在准确性和稳定性上超越现有基于提示的基线。未来工作将扩展至图级别和动态图任务。该研究为图提示学习提供了新的视角，验证了免调优、自监督、跨图归纳框架的可行性，显著降低了实际部署成本，具有良好的应用前景。
