【NeurIPS 2025】一提示通用：预训练模型的统一图适配

图提示学习（Graph Prompt Learning, GPL） 已成为一种极具潜力的范式，用于连接图预训练模型与下游场景，从而缓解标签依赖以及上游预训练与下游任务之间的不匹配问题。尽管现有 GPL 研究探索了多种提示策略，但其有效性与潜在原理仍不明确。我们识别出两个关键局限性： (1) 对底层机制缺乏共识：虽然当前的 GPL 方法推动了该领域的发展，但尚无一致意见解释提示如何与预训练模型交互，因为不同策略在模型的不同空间介入，即输入级、层级以及表示级提示。 (2) 场景适应性有限：大多数方法难以在多样化的下游场景中泛化，尤其是在数据分布发生转变时（例如，从同质图到异质图）。 为解决这些问题，我们从理论上分析了现有 GPL 方法，并揭示表示级提示本质上等价于对一个简单的下游分类器进行微调。据此，我们提出图提示学习应当聚焦于释放预训练模型的能力，而由分类器来适应下游场景。基于这一发现，我们提出了 UniPrompt，一种新颖的 GPL 方法，可适配任意预训练模型，在释放预训练模型能力的同时保留输入图的结构。大量实验表明，我们的方法能够有效集成多种预训练模型，并在域内和跨域场景中均取得优异表现。