Feb, 2024

基于时间交互图的提示学习

PDF
TL;DRTemporal Interaction Graph Prompting (TIGPrompt) is a versatile framework that integrates with TIG models, addressing the challenges of temporal discrepancy and semantic divergence in their pre-training and downstream predictions, by using temporally-aware prompts and a 'pre-train, prompt-based fine-tune' paradigm.
temporal interaction graphstig modelspre-trainingpre-train, prompt paradigmtigprompt
发现论文，激发创造
  • 图形提示方法调查：技术、应用和挑战

    通过基于结构化图形的触发方法，绕过传统的大规模标注数据集，提高深度学习的泛化能力，使预训练模型更具适应性。

    Mar, 2023

  • 基于 Prompt 的时空图迁移学习

    提出了一个基于提示增强的跨时空图转移学习框架，适应数据稀缺领域中的多样任务，在三个下游任务预测、克里金插值和外推中明显优于现有基线方法。

    May, 2024

  • 广义图提示：走向图上预训练和下游任务的统一

    GraphPrompt 是一种基于图的新型预训练和提示框架，通过统一预训练和下游任务，并使用可学习的提示来帮助下游任务以任务特定的方式定位来自预训练模型的最相关知识，进一步提升了预训练和提示方面的性能。

    Nov, 2023

  • 带提示的预训练语言模型用于时间知识图谱补全

    本文提出了一种基于预训练语言模型的 TKGC 模型 (PPT)，通过将时间戳之间的间隔转换为不同的提示来提取暗示的语义信息以形成连贯的句子，并使用蒙版策略将 TKGC 任务转换为蒙版标记预测任务，有效地将时间知识图中的信息整合到语言模型中，具有较高的竞争力。

    May, 2023

  • TIGER: 带重启的时间交互图嵌入

    该研究提出了一种名为 TIGER 的时序图嵌入模型，引入了一个重启模块来生成代理表示，使模型能够从多个时间戳同时重启，从而使模型能够并行。与之前的模型不同，该模型引入了双重记忆模块以更好地利用邻域信息并减轻旧问题。

    Feb, 2023

  • HetGPT: 利用预训练异构图神经网络的提示调节能力

    提出了 HetGPT，一种通用的后训练提示框架，用于改善预训练的异构图神经网络（HGNNs）的预测性能，并通过多视图邻域聚合机制捕捉异构图中的复杂邻域结构。在三个基准数据集上进行的大量实验证明了 HetGPT 在半监督节点分类方面改进了最先进的 HGNNs 的性能。

    Oct, 2023

  • 基于谱视角的归纳图对齐指令：从图预训练到归纳微调之间的桥梁

    我们提出了一种基于图提示的归纳式图对齐方法（IGAP），通过在谱空间中使用可学习提示来弥合图信号差距和图结构差距，实验证明我们的方法能够成功地在不同设置下弥合数据差距。

    Feb, 2024

  • GraphPrompt: 将图神经网络的预训练和下游任务统一

    本文提出了一个新的在图上进行预训练和提示的框架 GraphPrompt，可以将预训练和下游任务统一到一个通用的任务模板中，并使用可学习的提示来以一种特定于任务的方式帮助下游任务定位来自预训练模型的最相关知识。在五个公共数据集上展开了广泛的实验来评估和分析 GraphPrompt。

    Feb, 2023

  • TIGGER：面向时间交互图的可扩展生成建模

    本文提出了一种称为 TIGGER 的新型生成模型，该模型采用时间点过程结合自回归建模，既支持传导变体又支持归纳变体，是一种性能优越、速度快三个数量级，能够生成更真实图形的模型。

    Mar, 2022

  • 一体化：用于图神经网络的多任务提示

    本文引入了提示方法来弥补预训练模型与各种图形任务之间的差距，并提出了一种新的用于图形模型的多任务提示方法。经过实验，结果表明我们的方法优越性。

    Jul, 2023