論文の概要: CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning

• arxiv url: http://arxiv.org/abs/2603.27685v1
• Date: Sun, 29 Mar 2026 13:17:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.069887
• Title: CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning
• Title（参考訳）: CrossHGL:クロスドメインな異種グラフ学習のためのテキストフリー基礎モデル
• Authors: Xuanze Chen, Jiajun Zhou, Yadong Li, Shanqing Yu, Qi Xuan,
• Abstract要約: CrossHGLは、異種グラフを均質化し、相互作用セマンティクスをエッジ特徴にエンコードする意味保存変換戦略である。 Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、機能、エッジ、構造の観点から伝達可能な知識をキャプチャする。 ノードレベルのタスクとグラフレベルのタスクの実験は、CrossHGLが一貫して最先端のベースラインを上回っていることを示している。
• 参考スコア（独自算出の注目度）: 18.84875776859183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous graph representation learning (HGRL) is essential for modeling complex systems with diverse node and edge types. However, most existing methods are limited to closed-world settings with shared schemas and feature spaces, hindering cross-domain generalization. While recent graph foundation models improve transferability, they often target homogeneous graphs, rely on domain-specific schemas, or require rich textual attributes. Consequently, text-free and few-shot cross-domain HGRL remains underexplored. To address this, we propose CrossHGL, a foundation framework that preserves and transfers multi-relational structural semantics without external textual supervision. Specifically, a semantic-preserving transformation strategy homogenizes heterogeneous graphs while encoding interaction semantics into edge features. Based on this, a prompt-aware multi-domain pre-training framework with a Tri-Prompt mechanism captures transferable knowledge across feature, edge, and structure perspectives via self-supervised contrastive learning. For target-domain adaptation, we develop a parameter-efficient fine-tuning strategy that freezes the pre-trained backbone and performs few-shot classification via prompt composition and prototypical learning. Experiments on node-level and graph-level tasks show that CrossHGL consistently outperforms state-of-the-art baselines, yielding average relative improvements of 25.1% and 7.6% in Micro-F1 for node and graph classification, respectively, while remaining competitive in challenging feature-degenerated settings.
• Abstract（参考訳）: 不均一グラフ表現学習(HGRL)は多様なノードとエッジを持つ複雑なシステムのモデリングに不可欠である。 しかし、既存のほとんどのメソッドは、共有スキーマと特徴空間を持つクローズドワールド設定に限定されており、ドメイン間の一般化を妨げる。 最近のグラフ基盤モデルは転送可能性を改善するが、それらはしばしば均質なグラフをターゲットにし、ドメイン固有のスキーマに依存し、リッチなテキスト属性を必要とする。 その結果、テキストフリーで少数ショットのクロスドメイン HGRL がまだ探索されていない。 そこで本研究では,外部のテキスト管理を必要とせず,多関係構造セマンティクスを保存・転送する基盤フレームワークであるCrossHGLを提案する。 具体的には、意味保存変換戦略は、相互作用のセマンティクスをエッジ特徴にエンコードしながら、異種グラフを均質化する。 これに基づいて、Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、自己教師付きコントラスト学習を通じて、機能、エッジ、構造の観点からの伝達可能な知識をキャプチャする。 対象領域適応のために,事前学習したバックボーンを凍結するパラメータ効率の良い微調整戦略を開発し,プロンプト合成と原型学習による少数ショット分類を行う。 ノードレベルのタスクとグラフレベルのタスクの実験では、CrossHGLは最先端のベースラインを一貫して上回り、ノードとグラフの分類におけるMicro-F1の平均相対的な改善率は25.1%と7.6%となり、また、難しい機能生成設定では競争力を維持している。

関連論文リスト

• Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
  クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。 本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
  論文  参考訳（メタデータ） (2025-12-25T14:00:17Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Perturbation Ontology based Graph Attention Networks [26.95077612390953]
  Ontology-based Graph Attention Networks (POGAT) は、オントロジーのサブグラフと高度な自己教師付き学習パラダイムを組み合わせて、深い文脈理解を実現する新しい方法論である。 POGATは最先端のベースラインを大幅に上回り、リンク予測のクリティカルタスクはF1スコアで10.78%、ノード分類のクリティカルタスクはMicro-F1で12.01%という画期的な改善を実現している。
  論文  参考訳（メタデータ） (2024-11-27T17:12:14Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)

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。