論文の概要: Out-of-Distribution Generalization in Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2601.21067v1
• Date: Wed, 28 Jan 2026 21:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.450167
• Title: Out-of-Distribution Generalization in Graph Foundation Models
• Title（参考訳）: グラフ基礎モデルにおけるアウト・オブ・ディストリビューションの一般化
• Authors: Haoyang Li, Haibo Chen, Xin Wang, Wenwu Zhu,
• Abstract要約: グラフ基礎モデル(GFM)は、様々なグラフやタスクにわたる大規模な事前学習を通じて汎用表現を学ぶことを目的としている。 まず,グラフ学習における分散シフトによる主な課題について論じ,統一された問題設定の概要を述べる。 次に、固定されたタスク仕様の下で動作するよう設計されているか、あるいは異種タスクの定式化における一般化をサポートするかに基づいて、既存のアプローチを整理する。
• 参考スコア（独自算出の注目度）: 33.83630410555168
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graphs are a fundamental data structure for representing relational information in domains such as social networks, molecular systems, and knowledge graphs. However, graph learning models often suffer from limited generalization when applied beyond their training distributions. In practice, distribution shifts may arise from changes in graph structure, domain semantics, available modalities, or task formulations. To address these challenges, graph foundation models (GFMs) have recently emerged, aiming to learn general-purpose representations through large-scale pretraining across diverse graphs and tasks. In this survey, we review recent progress on GFMs from the perspective of out-of-distribution (OOD) generalization. We first discuss the main challenges posed by distribution shifts in graph learning and outline a unified problem setting. We then organize existing approaches based on whether they are designed to operate under a fixed task specification or to support generalization across heterogeneous task formulations, and summarize the corresponding OOD handling strategies and pretraining objectives. Finally, we review common evaluation protocols and discuss open directions for future research. To the best of our knowledge, this paper is the first survey for OOD generalization in GFMs.
• Abstract（参考訳）: グラフは、ソーシャルネットワーク、分子システム、知識グラフなどの領域における関係情報を表現するための基本的なデータ構造である。 しかし、グラフ学習モデルは、訓練分布を超えて適用される場合、限定的な一般化に悩まされることが多い。 実際には、分散シフトはグラフ構造、ドメインの意味論、利用可能なモダリティ、タスクの定式化の変化から生じる可能性がある。 これらの課題に対処するために、グラフ基礎モデル(GFM)が最近登場し、様々なグラフやタスクをまたいだ大規模事前学習を通じて汎用表現を学習することを目指している。 本調査では, アウト・オブ・ディストリビューション(OOD)の一般化の観点から, GFMの最近の進歩を概観する。 まず,グラフ学習における分散シフトによる主な課題について論じ,統一された問題設定の概要を述べる。 次に,定型タスク仕様の下で動作するように設計されたか,あるいは異種タスクの定式化における一般化を支援するかに基づいて,既存のアプローチを整理し,対応するOOD処理戦略と事前学習目標を要約する。 最後に,共通評価プロトコルをレビューし,今後の研究に向けたオープンな方向性について論じる。 我々の知る限りでは,本論文は GFM における OOD の一般化に関する最初の調査である。

関連論文リスト

• Graph Foundation Models: A Comprehensive Survey [66.74249119139661]
  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。
  論文  参考訳（メタデータ） (2025-05-21T05:08:00Z)
• 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)
• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献をよりよく理解するために,既存の手法をモデル中心およびデータ中心のアプローチに分類する系統分類を導入した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• 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 Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• 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。