為了減輕標(biāo)注成本并在少樣本學(xué)習(xí)中增強魯棒性，基于自監(jiān)督任務(wù)的預(yù)訓(xùn)練成為了一種有前景的方法，同時提示學(xué)習(xí)（prompting）被提出用于縮小預(yù)訓(xùn)練任務(wù)和下游任務(wù)之間的目標(biāo)差距。

盡管現(xiàn)有工作已經(jīng)對基于提示的圖學(xué)習(xí)進行了一些初步探索，但它們主要利用單一預(yù)訓(xùn)練任務(wù)，導(dǎo)致從預(yù)訓(xùn)練數(shù)據(jù)中學(xué)習(xí)的通用知識有限。因此，本文研究者提出了 MultiGPrompt，一種新型的多任務(wù)預(yù)訓(xùn)練和提示學(xué)習(xí)框架，用于利用多個預(yù)訓(xùn)練任務(wù)以獲得更全面的預(yù)訓(xùn)練知識。

論文題目：

MultiGPrompt for Multi-Task Pre-Training and Prompting on Graphs

論文鏈接：

https://arxiv.org/pdf/2312.03731.pdf

代碼鏈接：

https://github.com/Nashchou/MultiGPrompt

一、摘要

圖可模擬網(wǎng)絡(luò)中對象間的關(guān)系，從而促進一系列網(wǎng)絡(luò)應(yīng)用的發(fā)展，如網(wǎng)絡(luò)分析和內(nèi)容推薦。最近，圖神經(jīng)網(wǎng)絡(luò)（GNNs）已成為圖表示學(xué)習(xí)的主流技術(shù)。然而，它們在端到端監(jiān)督框架內(nèi)的有效性顯著地與特定任務(wù)的有標(biāo)簽數(shù)據(jù)量相關(guān)。

為了減輕標(biāo)注成本并在少樣本學(xué)習(xí)中增強魯棒性，基于自監(jiān)督任務(wù)的預(yù)訓(xùn)練成為了一種有前景的方法，同時提示學(xué)習(xí)（prompting）被提出用于縮小預(yù)訓(xùn)練任務(wù)和下游任務(wù)之間的目標(biāo)差距。

盡管現(xiàn)有工作已經(jīng)對基于提示的圖學(xué)習(xí)進行了一些初步探索，但它們主要利用單一預(yù)訓(xùn)練任務(wù)，導(dǎo)致從預(yù)訓(xùn)練數(shù)據(jù)中學(xué)習(xí)的通用知識有限。因此，在本文中，我們提出了 MultiGPrompt，一種新型的多任務(wù)預(yù)訓(xùn)練和提示學(xué)習(xí)框架，用于利用多個預(yù)訓(xùn)練任務(wù)以獲得更全面的預(yù)訓(xùn)練知識。

首先，在預(yù)訓(xùn)練中，我們設(shè)計了一系列預(yù)訓(xùn)練標(biāo)記（pretext token）以使多個預(yù)訓(xùn)練任務(wù)協(xié)同合作。其次，我們提出了一個由組合提示(composed prompt)和開放提示(open prompt)組成的雙重提示機制，以利用特定預(yù)訓(xùn)練任務(wù)和全局預(yù)訓(xùn)練知識，從而指導(dǎo)少樣本場景中的下游任務(wù)。最后，我們在六個公共數(shù)據(jù)集上進行了廣泛的實驗以評估和分析 MultiGPrompt。

二、方法

2.1 多任務(wù)預(yù)訓(xùn)練

本章中，我們討論了多任務(wù)預(yù)訓(xùn)練的第一階段。 任何基于圖的預(yù)訓(xùn)練任務(wù)都可以在我們的框架中使用。為了不失一般性，在我們的實驗中，我們利用了三個著名的預(yù)訓(xùn)練任務(wù)，即 DGI 、GraphCL 和鏈接預(yù)測 。我們的目標(biāo)是在預(yù)訓(xùn)練標(biāo)記（pretext token）的指導(dǎo)下，以協(xié)同的方式聚合多個預(yù)訓(xùn)練任務(wù)的損失。

2.2 預(yù)訓(xùn)練標(biāo)記 Pretext Token

不同的預(yù)訓(xùn)練任務(wù)往往關(guān)注圖上的不同特性，其損失函數(shù)也側(cè)重于反應(yīng)不同的方面。因此直接將多個預(yù)訓(xùn)練任務(wù)的損失函數(shù)直接聚合會由于不同任務(wù)間的互相干擾，導(dǎo)致結(jié)果不佳。

為了避免任務(wù)間干擾，我們利用了預(yù)訓(xùn)練標(biāo)記（pretext token）。在圖的上下文中，圖編碼器的不同層會反應(yīng)圖的不同特征，因此對不同的預(yù)訓(xùn)練任務(wù)具有不同的重要性。 我們?yōu)槊總€預(yù)訓(xùn)練任務(wù)引入了一系列預(yù)訓(xùn)練標(biāo)記，以修改圖編碼器的輸入層、隱藏層和輸出層。

具體來說，考慮一個圖 ，一個總共有 層的編碼器，和 個前置任務(wù)。如圖2(a) 所示，我們提出了 組預(yù)訓(xùn)練標(biāo)記，表示為 。每個 表示第 個前置任務(wù)的 個預(yù)訓(xùn)練標(biāo)記，每層（包括輸入層）一個預(yù)訓(xùn)練標(biāo)記：

其中， 是一個可學(xué)習(xí)的向量，代表修改圖編碼器第 層的第 個預(yù)訓(xùn)練任務(wù)的預(yù)訓(xùn)練標(biāo)記，對于 和 。這總共給出了 個前置標(biāo)記，我們在圖 3 中展示了它們?nèi)绾螒?yīng)用于修改一個預(yù)訓(xùn)練任務(wù)的不同層。

接下來，給定任意預(yù)訓(xùn)練標(biāo)記 ，讓 表示在將前置標(biāo)記 應(yīng)用到圖編碼器的其中一層后得到的輸出，如下所示。

其中 表示其其中一層已被 修改。更具體地說，一個預(yù)訓(xùn)練標(biāo)記 將通過元素對位相乘修改圖編碼器的第 層為 ，其中我們將前置標(biāo)記 與 的每一行逐元素相乘。隨后，當(dāng) l<L 時，下一層將被生成為

最后，對于第 個預(yù)訓(xùn)練任務(wù)，我們生成一個特征矩陣 來計算任務(wù)損失。 我們進一步聚合 L 1 個嵌入矩陣，以獲得第 k 個任務(wù)的整體嵌入矩陣:

2.2.1 預(yù)訓(xùn)練損失函數(shù)

為每個預(yù)訓(xùn)練任務(wù)設(shè)計了特定預(yù)訓(xùn)練標(biāo)記后，我們的多任務(wù)預(yù)訓(xùn)練可以協(xié)同獲取與每個預(yù)訓(xùn)練任務(wù)相關(guān)的特定信息。在獲得第 個預(yù)訓(xùn)練任務(wù)的特征矩陣后，我們可以計算相應(yīng)的任務(wù)損失 ，其中 表示圖編碼器的模型權(quán)重。然后，我們將所有 個預(yù)訓(xùn)練任務(wù)的損失聚合在一起，形成多任務(wù)預(yù)訓(xùn)練階段的總體損失函數(shù)：

2.3 下游提示學(xué)習(xí)

為了不僅利用特定任務(wù)的預(yù)訓(xùn)練知識，而且還利用整個預(yù)訓(xùn)練模型中的全局跨任務(wù)知識，我們提出了一個雙重提示機制，包括一組組合提示 和一組開放提示 。組合提示旨在通過可學(xué)習(xí)混合的預(yù)訓(xùn)練標(biāo)記將與訓(xùn)練任務(wù)任務(wù)特定知識轉(zhuǎn)移到下游任務(wù)。同時，開放提示促進全局跨任務(wù)知識的轉(zhuǎn)移。組合提示和開放提示以與預(yù)訓(xùn)練標(biāo)記相同的方式應(yīng)用于預(yù)訓(xùn)練圖編碼器的不同層，如圖3所示。

2.3.1 組合提示

組合提示 修改了預(yù)訓(xùn)練圖編碼器的第 層。然而， 并非直接可學(xué)習(xí)，而是由同一層中的 K 個預(yù)訓(xùn)練前置標(biāo)記的可學(xué)習(xí)組合構(gòu)成，如下所示。

其中 是一個將 個預(yù)訓(xùn)練標(biāo)記“組合”在一起的函數(shù)，例如線性組合或神經(jīng)網(wǎng)絡(luò)，而 表示該函數(shù)的可學(xué)習(xí)參數(shù)。因此，組合提示旨在學(xué)習(xí)特定任務(wù)的預(yù)訓(xùn)練知識的精確混合。

2.3.2 開放提示

類似于組合提示，一個開放提示 修改了預(yù)訓(xùn)練圖編碼器的第 層。然而，與組合提示不同， 是直接學(xué)習(xí)的，而不是由預(yù)訓(xùn)練標(biāo)記組成。通過這種方式，開放提示不會提取任何特定預(yù)訓(xùn)練任務(wù)的預(yù)訓(xùn)練知識，而是全面地關(guān)注全局預(yù)訓(xùn)練模型。

三、實驗

我們在六個基準(zhǔn)數(shù)據(jù)集上進行了全面的實驗，以評估所提出的在少樣本節(jié)點分類和圖分類任務(wù)上的有效性。

3.1 少樣本學(xué)習(xí)表現(xiàn)

我們展示了1-shot節(jié)點分類和5-shot圖分類的結(jié)果。

3.1.1 1-shot節(jié)點分類

結(jié)果呈現(xiàn)在表2中。我們觀察到以下結(jié)果：

首先， 在所有四個數(shù)據(jù)集上都超越了所有基準(zhǔn)，表明其在多任務(wù)預(yù)訓(xùn)練整體策略中的優(yōu)勢。我們后續(xù)進行了一系列消融實驗，以評估特定設(shè)計的重要性。

其次，預(yù)訓(xùn)練方法（DGI/InfoGraph, GraphCL）通常優(yōu)于監(jiān)督學(xué)習(xí)方法（GCN, GAT），因為前者組利用了預(yù)訓(xùn)練模型。這些結(jié)果突顯了從無標(biāo)簽圖中獲得通用知識的重要性。

最后，“預(yù)訓(xùn)練，提示”方法，如 GraphPrompt 和我們的 ，可以進一步勝過沒有提示的預(yù)訓(xùn)練方法，證明了基于提示的學(xué)習(xí)尤其在少樣本設(shè)置中的優(yōu)勢。

3.1.2 5-shot節(jié)點分類

我們進一步進行圖分類實驗，并在表2中展示結(jié)果。圖分類的趨勢與節(jié)點分類結(jié)果中觀察到的趨勢大致一致，這支持了 （以及更廣泛的基于提示的學(xué)習(xí)范式）在節(jié)點和圖層級任務(wù)上的通用性。

3.2 消融實驗

為了全面了解 中每個部分的影響，我們進行了兩項消融實驗分析。第一項分析研究了多個預(yù)訓(xùn)練任務(wù)的效果，第二項分析則將 與使用不同提示的變體進行對比。

我們首先從三個只使用單個預(yù)訓(xùn)練任務(wù)的基本變體開始：只使用 DGI/InfoGraph（DGI）、GraphCL 和鏈接預(yù)測（LP）。這三個基本變體在下游微調(diào)期間只簡單地使用分類器，不使用任何提示。

我們進一步比較了三個更高級的變體，即 DGI 、GraphCL 和 LP ，它們具有與 完全相同的框架和雙重提示設(shè)計，但只使用一個預(yù)訓(xùn)練任務(wù)。

參考圖5，我們觀察到 始終優(yōu)于使用單個預(yù)訓(xùn)練任務(wù)的所有變體，無論是否使用提示。這一發(fā)現(xiàn)強調(diào)了利用多個預(yù)訓(xùn)練任務(wù)的價值。

接下來，對于多任務(wù)預(yù)訓(xùn)練，我們通過移除我們雙重提示中的關(guān)鍵設(shè)計來分析 的幾個變體，包括使用預(yù)訓(xùn)練標(biāo)記、組合提示和開放提示。這些變體及其相應(yīng)結(jié)果在表3中列出。結(jié)果證實了每個獨立設(shè)計的作用，如下分析結(jié)果。

首先，采用預(yù)訓(xùn)練標(biāo)記和組合提示是有益的。值得注意的是，變體 5 通常優(yōu)于不使用復(fù)合提示的變體 1 和 3。然而，僅使用預(yù)訓(xùn)練標(biāo)記，如變體 3與變體 1 相比并沒有穩(wěn)定的改善，這意味著前置標(biāo)記與復(fù)合提示結(jié)合使用效果最佳。（注意復(fù)合提示是建立在前置標(biāo)記之上的，沒有后者就無法單獨工作。）

其次，省略開放提示會導(dǎo)致性能下降，這在變體 2 和 4 相對于變體 1 和 3 的更高準(zhǔn)確率中顯而易見。這表明通過開放提示利用全局跨任務(wù)知識的重要性。

最后，包括組合提示和開放提示的雙重提示設(shè)計證明是有益的，幫助 達到最優(yōu)性能。

四、總結(jié)與展望

在這篇論文中，我們探索了圖上的多任務(wù)預(yù)訓(xùn)練和提示，旨在涵蓋來自多種前置任務(wù)的全面知識范圍。我們提出的方法 設(shè)計了一系列預(yù)訓(xùn)練標(biāo)記，以協(xié)同方式利用多個預(yù)訓(xùn)練任務(wù)。

此外，我們引入了一個包括組合提示和開放提示的雙重提示機制，以利用特定預(yù)訓(xùn)練任務(wù)的知識和全局跨任務(wù)知識。最后，我們在六個公共數(shù)據(jù)集上進行了廣泛的實驗，并證明 顯著優(yōu)于各種最先進的基準(zhǔn)。

而本文提出的多任務(wù)預(yù)訓(xùn)練與提示學(xué)習(xí)框架也或許為圖上大模型的實現(xiàn)提供了一條實現(xiàn)路徑。在大語言模型中，往往使用單詞掩碼這一通用的預(yù)訓(xùn)練任務(wù)，并通過提示將預(yù)訓(xùn)練知識遷移到下游任務(wù)。

但由于圖數(shù)據(jù)的復(fù)雜拓?fù)浣Y(jié)構(gòu)，使得單一的預(yù)訓(xùn)練任務(wù)往往不能充分反映圖中的信息，而本文的多任務(wù)預(yù)訓(xùn)練通過結(jié)合多種預(yù)訓(xùn)練任務(wù)學(xué)習(xí)圖的各方面知識，從而可被視為一個通用的圖預(yù)訓(xùn)練范式，而下游的雙重提示也為知識遷移帶來了優(yōu)秀的表現(xiàn)，從而與大語言模型的形式更加接近，或許會成為通往圖大模型的路徑。

Illustration From IconScout By Delesign Graphics

-The End-

掃碼觀看！

本周上新！

“AI技術(shù)流”原創(chuàng)投稿計劃

TechBeat是由將門創(chuàng)投建立的AI學(xué)習(xí)社區(qū)（www.techbeat.net）。

社區(qū)上線500 期talk視頻，3000 篇技術(shù)干貨文章，方向覆蓋CV/NLP/ML/Robotis等；每月定期舉辦頂會及其他線上交流活動，不定期舉辦技術(shù)人線下聚會交流活動。我們正在努力成為AI人才喜愛的高質(zhì)量、知識型交流平臺，希望為AI人才打造更專業(yè)的服務(wù)和體驗，加速并陪伴其成長。

投稿內(nèi)容

// 最新技術(shù)解讀/系統(tǒng)性知識分享 //

// 前沿資訊解說/心得經(jīng)歷講述 //

投稿須知

稿件需要為原創(chuàng)文章，并標(biāo)明作者信息。

我們會選擇部分在深度技術(shù)解析及科研心得方向，對用戶啟發(fā)更大的文章，做原創(chuàng)性內(nèi)容獎勵

投稿方式

發(fā)送郵件到

chenhongyuan@thejiangmen.com

或添加工作人員微信（chemn493）投稿，溝通投稿詳情；還可以關(guān)注“將門創(chuàng)投”公眾號，后臺回復(fù)“投稿”二字，獲得投稿說明。

>>> 添加小編微信！

關(guān)于我“門”

▼

將門是一家以專注于數(shù)智核心科技領(lǐng)域的新型創(chuàng)投機構(gòu)，也是北京市標(biāo)桿型孵化器。

公司致力于通過連接技術(shù)與商業(yè)，發(fā)掘和培育具有全球影響力的科技創(chuàng)新企業(yè)，推動企業(yè)創(chuàng)新發(fā)展與產(chǎn)業(yè)升級。

將門成立于2015年底，創(chuàng)始團隊由微軟創(chuàng)投在中國的創(chuàng)始團隊原班人馬構(gòu)建而成，曾為微軟優(yōu)選和深度孵化了126家創(chuàng)新的技術(shù)型創(chuàng)業(yè)公司。

如果您是技術(shù)領(lǐng)域的初創(chuàng)企業(yè)，不僅想獲得投資，還希望獲得一系列持續(xù)性、有價值的投后服務(wù)，

歡迎發(fā)送或者推薦項目給我“門”: