ProG: A Graph Prompt Learning Benchmark

图上的人工智能已经在各种应用中取得了显著的进展，然而传统的“预训练和微调”范式在复杂和少样本情况下存在低效和负迁移问题。图提示学习则是一种很有前途的替代方法，利用轻量级提示来操作数据，并通过重新构造下游任务来填补任务差距。然而，仍存在一些关键挑战：如何统一不同的图提示模型，如何评估图提示的质量，以及如何提高它们的可用性，以进行实际比较和选择。针对这些挑战，我们介绍了第一个全面的图提示学习基准。我们的基准集成了六种预训练方法和五种最先进的图提示技术，评估了十五个不同的数据集的性能、灵活性和效率。我们还提出了“ProG”，一个易于使用的开源库，简化了各种图提示模型的执行，促进了客观评估。此外，我们提出了一个统一的框架，将现有的图提示方法分为两种主要方法：提示作为图和提示作为标记。该框架增强了图提示技术的适用性和比较性。代码可在以下网址找到：https://github.com/sheldonresearch/ProG。

本论文旨在解决图形预测学习中现有的问题，例如传统的预训练和微调范式在复杂和少样本情况下的低效性和负迁移问题。同时，论文还试图提出一种新的轻量级提示学习方法，即图形提示学习，以填补下游任务的空白。

论文提出了一种新的轻量级提示学习方法，即图形提示学习，它利用轻量级提示来操作数据，并通过重新制定下游任务来填补任务空白。同时，论文还提出了一个统一的框架，将现有的图形提示方法分为两种主要方法：提示作为图形和提示作为标记。这一框架增强了图形提示技术的适用性和比较性。

本论文提出了第一个全面的图形提示学习基准测试，它将六种预训练方法和五种最先进的图形提示技术整合到十五个不同的数据集中进行评估，以评估性能、灵活性和效率。同时，本论文还提出了一个易于使用的开源库'ProG'，它简化了各种图形提示模型的执行，促进了客观评估。本论文还使用了多个数据集进行实验，并开源了代码。

最近在这个领域中，还有一些相关的研究，例如《Graph Contrastive Learning with Augmentations》、《Graph Representation Learning via Graphical Mutual Information Maximization》等。