論文の概要: GFMate: Empowering Graph Foundation Models with Test-time Prompt Tuning

• arxiv url: http://arxiv.org/abs/2605.14809v1
• Date: Thu, 14 May 2026 13:22:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.838913
• Title: GFMate: Empowering Graph Foundation Models with Test-time Prompt Tuning
• Title（参考訳）: GFMate: テストタイムのプロンプトチューニングによるグラフ基礎モデルの強化
• Authors: Yan Jiang, Ruihong Qiu, Zi Huang,
• Abstract要約: 最近の研究はグラフ基礎モデル(GFM)を改善するためのグラフプロンプトを拡張している 既存のほとんどのメソッドは、ソースドメイン情報をプロンプトに埋め込んでおり、GFMへの入力として機能するか、モデル事前トレーニング中にエンコードされる。 これらの知見により,本論文は,GFMate という,事前学習に依存しないテスト時間グラフプロンプトチューニングによる GFM の強化を目的としている。
• 参考スコア（独自算出の注目度）: 41.859993506122194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph prompt tuning has shown great potential in graph learning by introducing trainable prompts to enhance the model performance in conventional single-domain scenarios. Recent research has extended graph prompts to improve Graph Foundation Models (GFMs) by few-shot tuning auxiliary prompts. Despite their progress, most existing methods embed source-domain information into prompts, which serve either as input to GFMs or encoded during model pre-training. Such prompt entanglement with specific source domains and GFM pre-training strategy restricts their generalisability to other domains and different GFMs. Furthermore, existing GFM prompts merely rely on few-shot tuning for adaptation, neglecting the rich information in unlabelled target domain test data. Motivated by these insights, this paper aims to empower GFMs with pre-training-agnostic test-time graph prompt tuning, named GFMate. GFMate introduces centroid and layer prompts applied after pre-training on target domains, avoiding entanglement with specific source domains and model pre-training. In addition, a test-time complementary learning objective is devised to exploit both labelled and unlabelled target domain data for effective test-time prompt tuning. Extensive experiments on 12 benchmark datasets demonstrate the superior performance and efficiency of GFMate, achieving improvements of up to 30.63%. Code is available at https://github.com/YanJiangJerry/GFMate.
• Abstract（参考訳）: グラフプロンプトチューニングは、従来の単一ドメインシナリオにおけるモデルパフォーマンスを高めるためにトレーニング可能なプロンプトを導入することで、グラフ学習において大きな可能性を示している。 最近の研究は、グラフファウンデーションモデル(GFM)を改善するためのグラフプロンプトを、数発のチューニング補助プロンプトによって拡張している。 これらの進歩にもかかわらず、既存のほとんどのメソッドはソースドメイン情報をプロンプトに埋め込んでおり、GFMへの入力として機能するか、モデル事前トレーニング中にエンコードされる。 このような、特定のソースドメインとGFM事前学習戦略との迅速な絡み合いは、他のドメインや異なるGFMへの一般化性を制限している。 さらに、既存のGFMプロンプトは適応のための数発のチューニングにのみ依存し、未ラベルのターゲットドメインテストデータの豊富な情報を無視する。 これらの知見により,本論文は,GFMate という,事前学習に依存しないテスト時間グラフプロンプトチューニングによる GFM の強化を目的としている。 GFMateは、ターゲットドメインでの事前トレーニング後、特定のソースドメインとの絡み合いやモデル事前トレーニングを避けるために、セントロイドとレイヤープロンプトを導入している。 さらに、ラベル付きおよび未ラベルのターゲットドメインデータを効果的にテストタイムプロンプトチューニングするために、テストタイム補完学習目的を考案した。 12のベンチマークデータセットに対する大規模な実験は、GFMateの優れた性能と効率を示し、最大30.63%の改善を実現している。 コードはhttps://github.com/YanJiangJerry/GFMateで入手できる。

関連論文リスト

• Modality-free Graph In-context Alignment [14.497854061852292]
  Modality-Free Graph In-Context Alignment (MF-GIA) は、不均質ドメイン間の数ショットの予測を迅速に行うための事前訓練されたグラフエンコーダを実現するフレームワークである。 MF-GIAは、光変換をパラメータ化する勾配指紋によってドメイン特性をキャプチャする。 実験により,MF-GIAは多種多様なグラフ領域にまたがって優れた撮影性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-03-13T07:45:34Z)
• Evaluating Progress in Graph Foundation Models: A Comprehensive Benchmark and New Insights [39.21251858545552]
  グラフ基礎モデル(GFM)は、様々なグラフを事前学習することで、伝達可能な知識を獲得することを目的としている。 既存の GFM ベンチマークのほとんどはトピックドメインにのみ依存しており、両方の次元にわたる知識の伝達の仕方も不明である。 GFMパイプライン全体にわたるトピックとフォーマットのギャップを共同で評価する新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-02-28T04:01:10Z)
• GRAVER: Generative Graph Vocabularies for Robust Graph Foundation Models Fine-tuning [92.19531718298744]
  Graph Foundation Models (GFMs) は、さまざまなグラフタスクやドメインにまたがる広範な適用性を約束している。 既存のGFMは不安定な数発の微調整に苦戦している。 本稿では,ロバスト GFM ファインチューニングフレームワーク GRAVER を提案する。
  論文  参考訳（メタデータ） (2025-11-05T13:07:26Z)
• 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)
• Towards Effective Federated Graph Foundation Model via Mitigating Knowledge Entanglement [9.87623531653534]
  グラフ基礎モデル(GFM)は強力なドメイン一般化を提供するが、通常は単一のマシンで訓練される。 我々は,新しい分散GFMトレーニングパラダイムであるFedGFMを提案する。 主な課題は知識の絡み合いであり、多分野の知識は区別できない表現に融合する。 2つのコアモジュールを持つ拡張フレームワークであるFedGFM+を,知識の絡み合いを軽減するために提案する。
  論文  参考訳（メタデータ） (2025-05-19T04:06:32Z)
• 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)
• LangGFM: A Large Language Model Alone Can be a Powerful Graph Foundation Model [27.047809869136458]
  グラフ基礎モデル(GFM)が最近注目を集めている。 現在の研究は、グラフ学習タスクの特定のサブセットに焦点を当てる傾向がある。 GFMBenchは26のデータセットからなる体系的で包括的なベンチマークである。 また,大規模言語モデルに完全に依存する新しいGFMであるLangGFMを紹介する。
  論文  参考訳（メタデータ） (2024-10-19T03:27:19Z)
• 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)
• Universal Prompt Tuning for Graph Neural Networks [10.250964386142819]
  我々は,任意の事前学習戦略の下で,事前学習したGNNモデルに対して,GPF(Graph Prompt Feature)と呼ばれる普遍的なプロンプトベースのチューニング手法を提案する。 GPFは入力グラフの特徴空間上で動作し、理論的には任意の形式のプロンプト関数に等価な効果を達成できる。 本手法は,事前学習戦略を応用したモデルに適用した場合,既存の特殊プロンプトベースのチューニング手法よりも大幅に優れる。
  論文  参考訳（メタデータ） (2022-09-30T05:19:27Z)

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。