Fugu-MT 論文翻訳(概要): Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models

論文の概要: Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models

arxiv url: http://arxiv.org/abs/2603.00618v1
Date: Sat, 28 Feb 2026 12:22:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-03 19:50:56.294469
Title: Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models
Title（参考訳）: グラフ基礎モデル構築のためのマルチドメインリーマングラフグルーイング
Authors: Li Sun, Zhenhao Huang, Silei Chen, Lanxu Yang, Junda Ye, Sen Su, Philip S. Yu,
Abstract要約: マルチドメイングラフ事前学習は、様々なドメインからの知識を統合し、ターゲットドメインのパフォーマンスを向上させる。既存のソリューションは、ドメイン間の知識の統合や伝達の方法という、基本的な質問に答えるには足りません。本稿では,EMAプロトタイピングによるバッチ事前学習をサポートするGraphGlueフレームワークについて述べる。
参考スコア（独自算出の注目度）: 43.64910777659052
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Multi-domain graph pre-training integrates knowledge from diverse domains to enhance performance in the target domains, which is crucial for building graph foundation models. Despite initial success, existing solutions often fall short of answering a fundamental question: how is knowledge integrated or transferred across domains? This theoretical limitation motivates us to rethink the consistency and transferability between model pre-training and domain adaptation. In this paper, we propose a fresh Riemannian geometry perspective, whose core idea is to merge any graph dataset into a unified, smooth Riemannian manifold, enabling a systematic understanding of knowledge integration and transfer. To achieve this, our key contribution is the theoretical establishment of neural manifold gluing, which first characterizes local geometry using an adaptive orthogonal frame and then "glues" the local pieces together into a coherent whole. Building on this theory, we present the GraphGlue framework, which supports batched pre-training with EMA prototyping and provides a transferability measure based on geometric consistence. Extensive experiments demonstrate its superior performance across diverse graph domains. Moreover, we empirically validated GraphGlue's geometric scaling law, showing that larger quantities of datasets improve model transferability by producing a smoother manifold. Codes are available at https://github.com/RiemannGraph/GraphGlue.
Abstract（参考訳）: マルチドメイングラフ事前学習は、様々なドメインからの知識を統合し、対象ドメインのパフォーマンスを向上させる。最初の成功にもかかわらず、既存のソリューションは、ドメイン間で知識を統合する、あるいは転送する、という根本的な質問に答えるに足りていないことが多い。この理論的制限は、モデル事前学習とドメイン適応の間の一貫性と伝達可能性を再考する動機となっている。本稿では,任意のグラフデータセットを統一された滑らかなリーマン多様体にマージし,知識の統合と伝達の体系的な理解を可能にする,新しいリーマン幾何学的視点を提案する。これを実現するために、我々は、まず適応直交フレームを用いて局所幾何学を特徴付けるニューラル多様体グルーイングの理論的な確立を行い、その後、局所的な部分をコヒーレントな全体へとまとめて「グルーズ」する。この理論に基づいて,EMAプロトタイピングによるバッチ事前学習をサポートするGraphGlueフレームワークを提案する。広範な実験は、様々なグラフ領域で優れた性能を示す。さらに,GraphGlueの幾何スケーリング法則を実証的に検証し,より滑らかな多様体を生成することにより,より多くのデータセットがモデル転送性を向上させることを示した。コードはhttps://github.com/RiemannGraph/GraphGlue.comで公開されている。

関連論文リスト

G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文参考訳（メタデータ） (2025-09-29T04:38:12Z)
A Remedy for Over-Squashing in Graph Learning via Forman-Ricci Curvature based Graph-to-Hypergraph Structural Lifting [0.0]
本稿では,エッジベースのネットワーク特性を定義するForman-Ricci曲率を用いた構造昇降戦略を提案する。曲線は、ネットワークのバックボーンのようなグラフの局所的および大域的特性を明らかにする。我々のアプローチは、長距離を横断するメッセージパッシングやグラフボトルネックにおける情報歪みの問題に対処する手段を提供する。
論文参考訳（メタデータ） (2025-08-15T10:46:27Z)
Adaptive Riemannian Graph Neural Networks [29.859977834688625]
グラフ上の連続および異方性計量テンソル場を学習する新しいフレームワークを導入する。これにより各ノードがその最適な局所幾何学を決定でき、モデルがグラフの構造的景観に流動的に適応できる。本手法は, ヘテロ親和性ベンチマークとホモ親和性ベンチマークの双方において, 優れた性能を示す。
論文参考訳（メタデータ） (2025-08-04T16:55:02Z)
RiemannGFM: Learning a Graph Foundation Model from Riemannian Geometry [19.299795173943476]
グラフニューラルネットワークは、非ユークリッド構造であるグラフデータの学習に優れるが、一般化能力に欠けることが多い。近年,大規模言語モデルの活用が試みられている。鍵となる革新は、木やサイクルの単純で効果的な構造語彙の発見である。
論文参考訳（メタデータ） (2025-02-05T15:06:09Z)
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)
FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
論文参考訳（メタデータ） (2023-04-03T15:38:53Z)
Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文参考訳（メタデータ） (2022-11-26T22:13:06Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文参考訳（メタデータ） (2020-04-06T13:25:46Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。