論文の概要: Learning Graph Foundation Models on Riemannian Graph-of-Graphs

• arxiv url: http://arxiv.org/abs/2605.09993v1
• Date: Mon, 11 May 2026 05:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.536563
• Title: Learning Graph Foundation Models on Riemannian Graph-of-Graphs
• Title（参考訳）: Riemannian Graph-of-Graphsによるグラフ基礎モデルの学習
• Authors: Haokun Liu, Zezhong Ding, Xike Xie,
• Abstract要約: グラフ基礎モデル(GFM)は、汎用推論をサポートするために、巨大なグラフデータ上に事前訓練されている。 本稿では,構造スケールをモデリングの第一級市民として扱うR-GFMを提案する。 R-GFMは、異なるホップ距離でマルチスケールのGoGオーバーサンプリング部分グラフを構築し、幾何適応表現を学ぶ。
• 参考スコア（独自算出の注目度）: 18.179624610878744
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph foundation models (GFMs), pretrained on massive graph data, have transformed graph machine learning by supporting general-purpose reasoning across diverse graph tasks and domains. Existing GFMs pretrained with fixed-hop subgraph sampling impose a fixed receptive field, causing scale mismatch on diverse tasks, which often require heterogeneous and unknown structural contexts beyond a fixed sampling scale. We propose R-GFM, a Riemannian Graph-of-Graphs (GoG) based foundation model, that treats structural scale as a first-class citizen in modeling. R-GFM constructs a multi-scale GoG over-sampled subgraphs at different hop distances and learns geometry-adaptive representations from Riemannian manifolds. Theoretical analysis shows that R-GFM reduces structural domain generalization error compared to fixed-scale GFMs. Experiments on various datasets demonstrate that R-GFM achieves state-of-the-art performance, with up to a 49% relative improvement on downstream tasks. Our code is available at https://github.com/USTC-DataDarknessLab/R-GFM.
• Abstract（参考訳）: グラフ基礎モデル(GFM)は、グラフデータに基づいて事前訓練され、さまざまなグラフタスクやドメインにわたる汎用推論をサポートすることによって、グラフ機械学習を変換した。 固定ホップサブグラフサンプリングで事前訓練された既存のGFMは、固定された受容場を課し、様々なタスクに対するスケールミスマッチを引き起こし、しばしば固定されたサンプリングスケールを超えて異質で未知の構造的コンテキストを必要とする。 本稿では,構造スケールをモデリングの第一級市民として扱う,リーマングラフグラフ(GoG)に基づく基礎モデルであるR-GFMを提案する。 R-GFMは、異なるホップ距離で多重スケールのGoGオーバーサンプリング部分グラフを構築し、リーマン多様体から幾何適応表現を学ぶ。 理論的解析により、R-GFM は固定スケール GFM と比較して構造領域の一般化誤差を減少させることが示された。 さまざまなデータセットの実験では、R-GFMが最先端のパフォーマンスを実現し、下流タスクでは最大49%の改善が達成されている。 私たちのコードはhttps://github.com/USTC-DataDarknessLab/R-GFMで利用可能です。

関連論文リスト

• Tabular Foundation Models are Strong Graph Anomaly Detectors [18.257503243010436]
  グラフ異常検出(GAD)は、多数派から逸脱する異常ノードを特定することを目的としている。 既存のGADメソッドは、"データセット毎の1つのモデル"パラダイムに従っている。 これにより、"オール・フォー・オール"なGADソリューションを可能にする基盤モデルが求められます。
  論文  参考訳（メタデータ） (2026-01-24T04:19:45Z)
• Turning Tabular Foundation Models into Graph Foundation Models [27.47522328312435]
  グラフ基礎モデルをグラフ基礎モデルに変換するためのフレームワークであるG2T-FMを提案する。 G2T-FMは、元のノード機能を近隣の特徴集約で強化し、構造的な埋め込みを追加し、構築されたノード表現にTFMを適用する。 我々のモデルは、公開GFMを著しく上回り、スクラッチから訓練されたよく訓練されたGNNよりも、競争力があり、しばしば優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-08-28T15:36:37Z)
• GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
  本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。 GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。 効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-03T07:04:29Z)
• GFT: Graph Foundation Model with Transferable Tree Vocabulary [52.17804507458509]
  本稿では,木語彙を伝達可能なグラフファウンデーションモデルとして,GFTと命名されたクロスタスク・クロスドメイングラフ基盤モデルを提案する。 変換可能な語彙内で計算木をトークンとして扱うことにより、GFTはモデルの一般化を改善し、負の転送のリスクを低減する。 理論解析と広範な実験的研究により,グラフ学習におけるGFTの有効性が実証され,様々なタスクや領域にまたがるGFTの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-09T05:14:30Z)
• 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。