論文の概要: Towards Graph Foundation Models: A Transferability Perspective

• arxiv url: http://arxiv.org/abs/2503.09363v1
• Date: Wed, 12 Mar 2025 13:04:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:14.850038
• Title: Towards Graph Foundation Models: A Transferability Perspective
• Title（参考訳）: グラフ基礎モデルに向けて:トランスファービリティの観点から
• Authors: Yuxiang Wang, Wenqi Fan, Suhang Wang, Yao Ma,
• Abstract要約: Graph Foundation Models (GFMs) は、さまざまなグラフドメインやタスクにまたがる一般化の可能性に対して、大きな注目を集めている。 現在まで、転送可能性の観点からGFMを調査・分析する体系的な研究は行われていない。 本稿では、トランスファービリティーのレンズを通して既存のGFMを分類・分析する最初の包括的分類法を提案する。
• 参考スコア（独自算出の注目度）: 48.4996946514573
• License:
• Abstract: In recent years, Graph Foundation Models (GFMs) have gained significant attention for their potential to generalize across diverse graph domains and tasks. Some works focus on Domain-Specific GFMs, which are designed to address a variety of tasks within a specific domain, while others aim to create General-Purpose GFMs that extend the capabilities of domain-specific models to multiple domains. Regardless of the type, transferability is crucial for applying GFMs across different domains and tasks. However, achieving strong transferability is a major challenge due to the structural, feature, and distributional variations in graph data. To date, there has been no systematic research examining and analyzing GFMs from the perspective of transferability. To bridge the gap, we present the first comprehensive taxonomy that categorizes and analyzes existing GFMs through the lens of transferability, structuring GFMs around their application scope (domain-specific vs. general-purpose) and their approaches to knowledge acquisition and transfer. We provide a structured perspective on current progress and identify potential pathways for advancing GFM generalization across diverse graph datasets and tasks. We aims to shed light on the current landscape of GFMs and inspire future research directions in GFM development.
• Abstract（参考訳）: 近年、グラフ基礎モデル (GFMs) は、様々なグラフ領域やタスクをまたいだ一般化の可能性について、大きな注目を集めている。 特定のドメイン内のさまざまなタスクに対処するように設計されたドメイン特化GAMや、ドメイン特化モデルの機能を複数のドメインに拡張する汎用GAMの開発を目標とする作業もある。 タイプに関係なく、トランスファービリティは異なるドメインやタスクにGFMを適用するために不可欠である。 しかし、グラフデータの構造、特徴、分布の変化により、強い転送可能性を達成することが大きな課題である。 現在まで、転送可能性の観点からGFMを調査・分析する体系的な研究は行われていない。 このギャップを埋めるために、我々は、既存のGFMを転送可能性のレンズを通して分類・分析し、その適用範囲(ドメイン固有対汎用)とその知識獲得と伝達へのアプローチを構造化する、最初の包括的分類を提示する。 我々は、現在の進捗状況に関する構造化された視点を提供し、多様なグラフデータセットやタスクにまたがる GFM の一般化を進めるための潜在的な経路を特定する。 我々は, GFMの現況に光を当てることと, GFM開発における今後の研究方向性を刺激することを目的としている。

関連論文リスト

• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• Multi-Domain Graph Foundation Models: Robust Knowledge Transfer via Topology Alignment [9.215549756572976]
  実世界のグラフはスパースが多く、ノイズの多い接続や敵の攻撃を受けやすい。 本稿では,ドメイン間のトポロジ情報を整合化し活用する統合フレームワークであるMDGFMを提案する。 トポロジを整列させることで、MDGFMはマルチドメイン事前学習を改善するだけでなく、目に見えないドメインへの堅牢な知識伝達を可能にする。
  論文  参考訳（メタデータ） (2025-02-04T05:09:23Z)
• GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [84.41557981816077]
  本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。 効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-03T07:04:29Z)
• How Does the Spatial Distribution of Pre-training Data Affect Geospatial Foundation Models? [10.126199683760344]
  地理空間モデル(GFM)は、気候変動、農業、災害対応といった世界的な課題に対処するのに役立つ。 GFMの以前の研究は、モデルアーキテクチャとプレテキストタスクの調整に重点を置いており、事前学習データの選択がモデルの性能に与える影響を調査しなかった。 本研究では,事前学習データの地理的分布がGFMの性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-01-21T22:57:09Z)
• LangGFM: A Large Language Model Alone Can be a Powerful Graph Foundation Model [27.047809869136458]
  グラフ基礎モデル(GFM)が最近注目を集めている。 現在の研究は、グラフ学習タスクの特定のサブセットに焦点を当てる傾向がある。 GFMBenchは26のデータセットからなる体系的で包括的なベンチマークである。 また,大規模言語モデルに完全に依存する新しいGFMであるLangGFMを紹介する。
  論文  参考訳（メタデータ） (2024-10-19T03:27:19Z)
• Position: Graph Foundation Models are Already Here [53.737868336014735]
  グラフ基礎モデル(GFM)は、グラフ領域において重要な研究トピックとして浮上している。 グラフ語彙の提唱によるGFM開発のための新しい視点」を提案する。 この観点は、将来のGFM設計を、ニューラルネットワークのスケーリング法則に従って前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-02-03T17:24:36Z)
• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
  ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。 SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。 一般的な3つの分類基準で30以上のSFDA法を比較検討した。
  論文  参考訳（メタデータ） (2023-02-23T06:32:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。