Dynamic Graph Prompting via Topology-Routed Mixed-Curvature Experts
CurvPrompt 是一种用于动态图的拓扑路由几何提示框架，它冻结预训练的时序骨干网络，通过轻量提示适应标签稀缺的下游任务。现有方法在单一固定嵌入空间中操作，而 CurvPrompt 维护一组曲率多样的黎曼专家，每个专家配有一个可学习提示，并通过拓扑感知门控将每个节点-时间实例路由到稀疏专家子集，构建个性化混合曲率表示。在预训练期间使用软路由构建连续拓扑-几何映射，在下游任务中过渡到均匀权重的硬 Top-K 路由。
Development
- First ReportDynamic Graph Prompting via Topology-Routed Mixed-Curvature ExpertsarXiv cs.LG
- Current Assessment该工作表明，动态图上的提示学习正在从单一空间向多几何空间演进，这可能影响图神经网络在社交网络、推荐系统等动态场景中的应用。可验证的下一信号是，是否有后续工作将类似思想扩展到大规模工业图系统，或是否出现基于曲率路由的图基础模型。Agent Pulse · analysis
本文提出 CurvPrompt，一种针对动态图的拓扑路由几何提示框架。作者指出，现有动态图提示方法在单一固定嵌入空间中操作，但时间推移中局部聚类和度异质性的变化会重组边曲率谱，表明最优表示几何随局部拓扑动态演化，他们将此未解决的错配形式化为几何欠适应。CurvPrompt 通过维护一组曲率多样的黎曼专家（每个专家配有一个可学习提示）来解决此问题，并使用拓扑感知门控将每个节点-时间实例路由到稀疏专家子集，构建个性化混合曲率表示。为在极端标签稀缺下保证参数效率和训练稳定性，CurvPrompt 在预训练期间采用软路由以构建连续的拓扑-几何映射，并在下游任务中过渡到均匀权重的硬 Top-K 路由。
CurvPrompt 的核心创新在于将动态图的时序变化与表示几何联系起来，通过曲率谱的变化来指导专家路由。这暗示了动态图表示学习的一个新方向：几何自适应。可验证的下一信号是，在公开动态图基准（如 TGB）上，CurvPrompt 是否能在标签稀缺场景下显著超越现有提示方法，以及其硬 Top-K 路由的稀疏性是否带来推理效率提升。
该工作表明，动态图上的提示学习正在从单一空间向多几何空间演进，这可能影响图神经网络在社交网络、推荐系统等动态场景中的应用。可验证的下一信号是，是否有后续工作将类似思想扩展到大规模工业图系统，或是否出现基于曲率路由的图基础模型。
对于处理动态图数据的公司（如社交平台、金融风控），CurvPrompt 提供了一种在标签稀缺下高效适应新任务的思路，可能降低模型更新成本。可验证的下一信号是，是否有企业采用类似方法进行图数据的时间演化建模。
未来，CurvPrompt 可能推动动态图提示学习向更灵活的几何建模发展，并可能与其他自适应方法结合。可验证的下一信号是，作者是否发布代码和基准结果，以及社区是否复现并扩展该方法。