Neues GNN-Framework: Cross‑graph Prompting ohne Feinabstimmung

Ein neues Forschungsprojekt hat ein völlig neues Konzept für Graph Neural Networks (GNNs) vorgestellt, das die bisherige Notwendigkeit umfangreicher Feinabstimmungen überflüssig macht. Das Cross‑graph Tuning‑free Prompting Framework (CTP) ermöglicht es, Modelle nahtlos auf unterschiedliche Graphen und Aufgaben zu übertragen, ohne dass für jede neue Aufgabe zusätzliche Parameter angepasst werden müssen.

Während herkömmliche Graph‑Prompting‑Methoden oft noch auf task‑spezifische Updates angewiesen sind und Schwierigkeiten haben, über verschiedene Graphen hinweg zu generalisieren, unterstützt CTP sowohl homogene als auch heterogene Graphen. Das bedeutet, dass das System sofort einsatzbereit ist – selbst bei völlig unbekannten Graphen – und damit einen echten Plug‑and‑Play‑Ansatz für GNN‑Inference bietet.

In umfangreichen Experimenten mit Few‑Shot‑Vorhersageaufgaben konnte CTP die Leistung der aktuellen Spitzenmodelle deutlich steigern. Im Durchschnitt erzielte das neue Framework einen Genauigkeitszuwachs von 30,8 % und erreichte Spitzenwerte von bis zu 54 % über die bisherigen Best‑in‑Class‑Modelle. Diese Ergebnisse unterstreichen die Effektivität des Ansatzes und eröffnen einen vielversprechenden neuen Blickwinkel für das Lernen von Graph‑Prompting‑Modellen.