图提示聚类模型

跨域免训练

将预训练图模型与可学习提示结合，无需微调网络参数即可适应新的图数据集，为图级聚类提供通用解决方案。

陈曼笙 · 72051804 · 72051805 · Wang, Changdong · 赖剑煌

IEEE Transactions on Pattern Analysis and Machine Intelligence 2025

参数信息

基准数据集数量

6

技术优势

跨数据分布通用

通过为每个图表示分配一组可学习的提示向量，模型能适应不同目标图数据集的数据分布差异，无需调整网络参数。

无需微调网络

预训练图模型的网络参数被冻结，仅训练提示向量，从而在目标数据集上实现快速适配。

效果超出现有最佳

在六个基准数据集上的实验结果表明，该方法相比现有最佳方法具有优异的泛化能力和有效性。

应用场景

• 图数据聚类：无需重新训练模型即可对新的图数据集进行聚类，节省大量算力与时间成本。
• 分子结构分组：利用预训练图模型与提示微调可快速对分子结构进行分组，加速材料筛选。
• 生物信息学聚类：通过提示微调将图模型适配到生物网络数据，无需从头训练。
• 物联网拓扑分析：对物联网拓扑结构进行聚类分析时，使用提示微调可适应不同规模的网络数据。