論文の概要: Structure-Centric Graph Foundation Model via Geometric Bases

• arxiv url: http://arxiv.org/abs/2605.08689v1
• Date: Sat, 09 May 2026 04:56:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.817212
• Title: Structure-Centric Graph Foundation Model via Geometric Bases
• Title（参考訳）: 幾何学的基盤を用いた構造中心グラフ基礎モデル
• Abstract要約: グラフトポロジを伝達可能な知識の主源とする構造中心グラフ基礎モデル(SCGFM)を提案する。 SCGFMは、共有構造座標系を定義する学習可能な幾何学的基盤を導入している。 グラフおよびノードレベルのタスクの実験では、ドメイン内およびクロスドメインの一般化が強く、既存のGCMアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 16.191907209297362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph foundation models (GFMs) seek transferable representations across graph domains but are limited by structural heterogeneity and incompatible node feature spaces. We propose Structure-Centric Graph Foundation Models (SCGFM), which treat graph topology as the primary source of transferable knowledge. Modeling graphs as metric measure spaces, SCGFM introduces learnable geometric bases that define a shared structural coordinate system. Graphs are aligned to these bases via Gromov-Wasserstein distances, yielding structure-aligned latent representations that accommodate heterogeneous graph topologies. To address feature incompatibility, SCGFM employs a structure-aware feature re-encoding mechanism that unifies node representations without assuming a fixed feature dimensionality or requiring dataset-specific preprocessing. Experiments on graph- and node-level tasks demonstrate strong in-domain and cross-domain generalization, outperforming existing GFM approaches.
• Abstract（参考訳）: グラフ基礎モデル (GFMs) は、グラフ領域全体にわたる転送可能な表現を求めるが、構造的不均一性と非互換なノード特徴空間によって制限される。 本稿では,グラフトポロジを伝達可能な知識の主源として扱う構造中心グラフ基礎モデル(SCGFM)を提案する。 グラフを計量測度空間としてモデル化し、SCGFMは共有構造座標系を定義する学習可能な幾何学的基底を導入する。 グラフはグロモフ・ワッサーシュタイン距離を介してこれらの基底に整列し、不均一グラフ位相を包含する構造に整列した潜在表現を与える。 機能非互換性に対処するため、SCGFMは、固定された特徴次元を仮定したり、データセット固有の前処理を必要とすることなく、ノード表現を統一する構造を意識した機能再符号化機構を採用している。 グラフおよびノードレベルのタスクの実験では、ドメイン内およびクロスドメインの一般化が強く、既存のGCMアプローチよりも優れていた。

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)
• Riemannian Geometry Speaks Louder Than Words: From Graph Foundation Model to Next-Generation Graph Intelligence [51.30336200738606]
  グラフ基礎モデル(GFM)がグラフ学習に不可欠であるという強い合意がある。 LLM(Large Language Models)に類似した強力で汎用的なGFMを構築する方法については、かなりの意見の相違が続いている。
  論文  参考訳（メタデータ） (2026-03-23T05:49:19Z)
• Learning the Structure of Connection Graphs [13.687470962704744]
  接続グラフ(CG)は、ネットワークトポロジーと変換を結合することで従来のグラフモデルを拡張し、グローバルな幾何学的一貫性の表現を可能にする。 本稿では,ラプラシアン接続と基礎となるラプラシアンをリンクするスペクトル特性を強制する,一貫した仮定の下での最大擬似構造に基づく原理的枠組みを提案する。 本稿では,ネットワークトポロジ,エッジウェイト,幾何学的構造を共同推論するブロック最適化手法であるStructured Connection Graph Learning (SCGL)アルゴリズムを紹介する。
  論文  参考訳（メタデータ） (2025-10-13T10:33:31Z)
• 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)
• GraphProp: Training the Graph Foundation Models using Graph Properties [24.318377459225637]
  本研究は,グラフ分類などのグラフレベルのタスクにおいて,強力な一般化能力を有するグラフ基礎モデル(GFM)の訓練に焦点をあてる。 グラフ構造はノードの特徴やグラフラベルよりも整合性のあるクロスドメイン情報を提供する。 実験の結果,GraphPropは教師付き学習や少数ショット学習,特にノード属性のないグラフ処理において,競合相手よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-08-06T16:12:42Z)
• 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)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Ego-based Entropy Measures for Structural Representations on Graphs [35.55543331773255]
  VNEstruct は、近辺の位相のエントロピー測度に基づいて、低次元構造表現を生成する単純なアプローチである。 VNEstructは、グラフ構造情報を最適化に組み込むことなく、グラフ分類における最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2021-02-17T12:55:50Z)

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。