马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
×
Non-Homophilic Graph Pre-Training and Prompt Learning
KDD25
#paper/⭐#
目的：对异配图举行prompt
方法
邻人节点的综合嵌入
sv=1∣V(Sv)∣∑u∈V(Sv)hu⋅sim(hu,hv),\mathbf{s}_{v}=\frac{1}{|V(S_{v})|}\sum_{u\in V(S_{v})}\mathbf{h}_{u}\cdot\mathrm{sim}(\mathbf{h}_{u},\mathbf{h}_{v}),sv=∣V(Sv)∣1∑u∈V(Sv)hu⋅sim(hu,hv),
在实践中，作者使用了2hop来表现邻域信息
邻域信息映射
pt,v=CondNet(sv;ϕt)\mathbf{p}_{t,v}=\mathrm{CondNet}(s_{v};\phi_{t})pt,v=CondNet(sv;ϕt)，这里，condnet是一层MLP
h~t,v=pt,v⊙hv,\tilde{\mathbf{h}}_{t,v}=\mathbf{p}_{t,v}\odot\mathbf{h}_{v},h~t,v=pt,v⊙hv,
与类prototype做prompt
Ldown(ϕt)=−∑(xi,yi)∈Dtlnexp(1τsin(h~t,xi,hˉt,yi))∑c∈Yexp(1τsin(h~t,xi,hˉt,c))\mathcal{L}_{\mathrm{down}}(\phi_{t})=-\sum_{(x_{i},y_{i})\in\mathcal{D}_{t}}\ln\frac{\exp\left(\frac{1}{\tau}\sin(\tilde{\mathbf{h}}_{t,x_{i}},\bar{\mathbf{h}}_{t,y_{i}})\right)}{\sum_{c\in Y}\exp\left(\frac{1}{\tau}\sin(\tilde{\mathbf{h}}_{t,x_{i}},\bar{\mathbf{h}}_{t,c})\right)}Ldown(ϕt)=−∑(xi,yi)∈Dtln∑c∈Yexp(τ1sin(h~t,xi,hˉt,c))exp(τ1sin(h~t,xi,hˉt,yi))
此中，ht,ch_{t,c}ht,c代表属于类C的匀称值。
结果：
|
发表于 2025-10-20 18:54:33