論文の概要: Bridging Input Feature Spaces Towards Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2605.04834v1
• Date: Wed, 06 May 2026 12:30:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.810969
• Title: Bridging Input Feature Spaces Towards Graph Foundation Models
• Title（参考訳）: グラフ基礎モデルに向けた入力機能空間のブリッジ
• Abstract要約: グラフ学習では、グラフデータセット間で入力機能が異なるため、共有入力スペースが欠落している。 All-INメソッドは、異なる入力機能を持つデータセット間の転送可能性を実現する。 結果は、入力に依存しない、転送可能なグラフモデルに対して有望な方向を示す。
• 参考スコア（独自算出の注目度）: 41.45197902299416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlike vision and language domains, graph learning lacks a shared input space, as input features differ across graph datasets not only in semantics, but also in value ranges and dimensionality. This misalignment prevents graph models from generalizing across datasets, limiting their use as foundation models. In this work, we propose ALL-IN, a simple and theoretically grounded method that enables transferability across datasets with different input features. Our approach projects node features into a shared random space and constructs representations via covariance-based statistics, thus eliminating dependence on the original feature space. We show that the computed node-covariance operators and the resulting node representations are invariant in distribution to permutations of the input features. We further demonstrate that the expected operator exhibits invariance to general orthogonal transformations of the input features. Empirically, ALL-IN achieves strong performance across diverse node- and graph-level tasks on unseen datasets with new input features, without requiring architecture changes or retraining. These results point to a promising direction for input-agnostic, transferable graph models.
• Abstract（参考訳）: 視覚や言語とは異なり、グラフ学習には共有入力空間が欠けている。 このミスアライメントにより、グラフモデルはデータセットをまたいだ一般化を防ぎ、基礎モデルとしての使用を制限することができる。 本研究では,異なる入力特徴を持つデータセット間の転送可能性を実現する,シンプルで理論的に基礎付けられた手法であるALL-INを提案する。 提案手法では,ノードの特徴を共有ランダム空間にプロジェクションし,共分散統計を用いて表現を構成することにより,元の特徴空間への依存を解消する。 計算されたノード共分散演算子と結果のノード表現は、入力特徴の置換に不変であることを示す。 さらに、期待作用素が入力特徴の一般直交変換に不変であることを示す。 経験的に、ALL-INはアーキテクチャの変更や再トレーニングを必要とせず、新しい入力機能を備えた未確認データセット上のさまざまなノードレベルおよびグラフレベルのタスクに対して、強力なパフォーマンスを実現している。 これらの結果は、入力に依存しない、転送可能なグラフモデルにとって有望な方向を示している。

関連論文リスト

• Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks [1.49251567571938]
  SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。 リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込む。 1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
  論文  参考訳（メタデータ） (2026-08-09T08:14:35Z)
• Fully Inductive Node Representation Learning via Graph View Transformation [8.051535170363701]
  本稿では、任意のグラフを統一的に自然に符号化できる新しい表現軸であるビュー空間を紹介する。 次に,グラフビュー変換(GVT)を提案する。 GVTはノード表現学習のための完全帰納モデルであるRecurrent GVTのビルディングブロックとして機能する。
  論文  参考訳（メタデータ） (2025-12-12T13:45:57Z)
• Equivariance Everywhere All At Once: A Recipe for Graph Foundation Models [25.936601292112844]
  ノードレベルのタスクのためのグラフ基盤モデルを第一原理から設計するためのレシピを提案する。 本研究の基盤となる重要な要素は,グラフ基盤モデルが尊重すべき対称性を体系的に調査することである。 我々は29の実世界のノード分類データセットに関する広範な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2025-06-17T08:05:08Z)
• Towards Stable, Globally Expressive Graph Representations with Laplacian Eigenvectors [29.055130767451036]
  本稿では,ラプラシアン固有ベクトルを用いて,安定かつグローバルに表現可能なグラフ表現を生成する手法を提案する。 提案手法は, 数値的近接固有値を円滑に処理し, 摂動に対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2024-10-13T06:02:25Z)
• Discrete Graph Auto-Encoder [52.50288418639075]
  離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。 まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。 2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
  論文  参考訳（メタデータ） (2023-06-13T12:40:39Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。