論文の概要: Graph Foundation Models: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2505.15116v1
• Date: Wed, 21 May 2025 05:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.899315
• Title: Graph Foundation Models: A Comprehensive Survey
• Title（参考訳）: Graph Foundation Models: 総合的な調査
• Authors: Zehong Wang, Zheyuan Liu, Tianyi Ma, Jiazheng Li, Zheyuan Zhang, Xingbo Fu, Yiyang Li, Zhengqing Yuan, Wei Song, Yijun Ma, Qingkai Zeng, Xiusi Chen, Jianan Zhao, Jundong Li, Meng Jiang, Pietro Lio, Nitesh Chawla, Chuxu Zhang, Yanfang Ye,
• Abstract要約: Graph Foundation Models (GFMs)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目指している。 この調査は、GFMの概要を包括的に提供し、モジュラーフレームワークの下での多様な取り組みを統合する。 GFMは構造化データに対するオープンエンド推論の基盤となる。
• 参考スコア（独自算出の注目度）: 66.74249119139661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-structured data pervades domains such as social networks, biological systems, knowledge graphs, and recommender systems. While foundation models have transformed natural language processing, vision, and multimodal learning through large-scale pretraining and generalization, extending these capabilities to graphs -- characterized by non-Euclidean structures and complex relational semantics -- poses unique challenges and opens new opportunities. To this end, Graph Foundation Models (GFMs) aim to bring scalable, general-purpose intelligence to structured data, enabling broad transfer across graph-centric tasks and domains. This survey provides a comprehensive overview of GFMs, unifying diverse efforts under a modular framework comprising three key components: backbone architectures, pretraining strategies, and adaptation mechanisms. We categorize GFMs by their generalization scope -- universal, task-specific, and domain-specific -- and review representative methods, key innovations, and theoretical insights within each category. Beyond methodology, we examine theoretical foundations including transferability and emergent capabilities, and highlight key challenges such as structural alignment, heterogeneity, scalability, and evaluation. Positioned at the intersection of graph learning and general-purpose AI, GFMs are poised to become foundational infrastructure for open-ended reasoning over structured data. This survey consolidates current progress and outlines future directions to guide research in this rapidly evolving field. Resources are available at https://github.com/Zehong-Wang/Awesome-Foundation-Models-on-Graphs.
• Abstract（参考訳）: グラフ構造化されたデータは、ソーシャルネットワーク、生体システム、知識グラフ、レコメンダシステムなどのドメインに浸透する。 基礎モデルは、大規模な事前学習と一般化を通じて自然言語処理、ビジョン、マルチモーダル学習を変革してきたが、これらの能力を非ユークリッド構造と複雑な関係性セマンティクスを特徴とするグラフに拡張し、ユニークな課題を提起し、新たな機会を開く。 この目的のために、グラフファウンデーションモデル(GFM)は、構造化データにスケーラブルで汎用的なインテリジェンスを提供することを目標としており、グラフ中心のタスクやドメイン間の広範な転送を可能にしている。 本調査では,3つの主要なコンポーネント – バックボーンアーキテクチャ,事前学習戦略,適応メカニズム – で構成されるモジュールフレームワークの下でのさまざまな取り組みをまとめて紹介する。 我々は, GFMの一般化範囲(普遍的, タスク特化, ドメイン特化)を分類し, 各カテゴリにおける代表的手法, 重要な革新, 理論的洞察を概観する。 方法論以外にも,伝達可能性や創発的能力などの理論的基礎を考察し,構造的アライメント,不均一性,スケーラビリティ,評価といった重要な課題を強調している。 グラフ学習と汎用AIの交差点に位置するGFMは、構造化データに対するオープンエンド推論の基盤となる。 この調査は現在の進歩を集約し、この急速に発展する分野の研究を導くための今後の方向性を概説する。 リソースはhttps://github.com/Zehong-Wang/Awesome-Foundation-on-Graphsで入手できる。

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)
• 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)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• 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)

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。