論文の概要: Of Graphs and Tables: Zero-Shot Node Classification with Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2509.07143v1
• Date: Mon, 08 Sep 2025 18:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.088179
• Title: Of Graphs and Tables: Zero-Shot Node Classification with Tabular Foundation Models
• Title（参考訳）: グラフとテーブル: タブラル基礎モデルによるゼロショットノード分類
• Authors: Adrian Hayler, Xingyue Huang, İsmail İlkan Ceylan, Michael Bronstein, Ben Finkelshtein,
• Abstract要約: グラフ基盤モデルフレームワークであるTabGFMを導入し,まず,特徴エンコーダと構造エンコーダを用いてグラフをテーブルに変換する。 28の実世界のデータセットの実験を通じて、TabGFMはタスク固有のGNNと最先端のGFMよりも一貫した改善を実現している。
• 参考スコア（独自算出の注目度）: 13.832068659130705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph foundation models (GFMs) have recently emerged as a promising paradigm for achieving broad generalization across various graph data. However, existing GFMs are often trained on datasets that were shown to poorly represent real-world graphs, limiting their generalization performance. In contrast, tabular foundation models (TFMs) not only excel at classical tabular prediction tasks but have also shown strong applicability in other domains such as time series forecasting, natural language processing, and computer vision. Motivated by this, we take an alternative view to the standard perspective of GFMs and reformulate node classification as a tabular problem. Each node can be represented as a row with feature, structure, and label information as columns, enabling TFMs to directly perform zero-shot node classification via in-context learning. In this work, we introduce TabGFM, a graph foundation model framework that first converts a graph into a table via feature and structural encoders, applies multiple TFMs to diversely subsampled tables, and then aggregates their outputs through ensemble selection. Through experiments on 28 real-world datasets, TabGFM achieves consistent improvements over task-specific GNNs and state-of-the-art GFMs, highlighting the potential of tabular reformulation for scalable and generalizable graph learning.
• Abstract（参考訳）: グラフ基礎モデル(GFM)は近年,様々なグラフデータにまたがる広範な一般化を実現するための,有望なパラダイムとして浮上している。 しかし、既存の GFM は実世界のグラフを粗末に表現し、その一般化性能を制限したデータセットで訓練されることが多い。 対照的に、表層基礎モデル(TFM)は古典的な表層予測タスクに優れるだけでなく、時系列予測、自然言語処理、コンピュータビジョンといった他の領域にも強い適用性を示している。 そこで我々は, GFM の標準的視点に代替的な視点を採り入れ, ノード分類を表計算問題として再検討する。 各ノードは、特徴、構造、ラベル情報を列として行として表現することができ、TFMは、コンテキスト内学習を通じて、ゼロショットノード分類を直接実行することができる。 本研究では,まず特徴および構造エンコーダを用いてグラフをテーブルに変換するグラフ基盤モデルフレームワークであるTabGFMを導入し,複数のTFMを多種多様なサブサンプルテーブルに適用し,アンサンブル選択により出力を集約する。 実世界の28のデータセットに関する実験を通じて、TabGFMはタスク固有のGNNや最先端のGFMよりも一貫した改善を実現し、スケーラブルで一般化可能なグラフ学習のための表の修正の可能性を強調した。

関連論文リスト

• Turning Tabular Foundation Models into Graph Foundation Models [27.47522328312435]
  本稿では,TabPFNv2をバックボーンとする単純なグラフ基盤モデルを提案する。 G2T-FMは、元のノード機能を近隣の特徴集約で強化し、構造的な埋め込みを追加し、構築されたノード表現にTabPFNv2を適用する。
  論文  参考訳（メタデータ） (2025-08-28T15:36:37Z)
• BigCharts-R1: Enhanced Chart Reasoning with Visual Reinforcement Finetuning [51.472854950300416]
  視覚的に多様なチャート画像を生成するデータセット生成パイプラインであるBigChartsを提案する。 純粋な合成データセットとは異なり、BigChartsは現実世界のデータを取り込んで、信頼性と視覚的多様性を保証する。 チャート推論に特化して設計された新たな報酬信号を導入することにより,モデルの堅牢性と一般化が促進される。
  論文  参考訳（メタデータ） (2025-08-13T13:39:17Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• GFT: Graph Foundation Model with Transferable Tree Vocabulary [52.17804507458509]
  本稿では,木語彙を伝達可能なグラフファウンデーションモデルとして,GFTと命名されたクロスタスク・クロスドメイングラフ基盤モデルを提案する。 変換可能な語彙内で計算木をトークンとして扱うことにより、GFTはモデルの一般化を改善し、負の転送のリスクを低減する。 理論解析と広範な実験的研究により,グラフ学習におけるGFTの有効性が実証され,様々なタスクや領域にまたがるGFTの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-09T05:14:30Z)
• 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)

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。