論文の概要: When Do Graph Foundation Models Transfer? A Data-Centric Theory
- arxiv url: http://arxiv.org/abs/2605.29828v1
- Date: Thu, 28 May 2026 12:07:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.223665
- Title: When Do Graph Foundation Models Transfer? A Data-Centric Theory
- Title（参考訳）: グラフ基礎モデルはいつ移行されるか? データ中心理論
- Authors: Jiajun Zhu, Ying Chen, Peihao Wang, Yixuan He, Pan Li, Aditya Akella, Zhangyang Wang,
- Abstract要約: グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。
我々は、セットベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を認めていることを示す。
我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
- 参考スコア（独自算出の注目度）: 68.54337055801571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph foundation models (GFMs) aim to reuse a single backbone across diverse graph domains, yet their transfer is often uneven and can exhibit negative transfer. While most prior work improves transfer through architectural or adaptation choices, we ask a data-centric question: which properties of two graph domains determine how much a fixed representation model changes its outputs? Using a graphon-based continuous limit for dense graphs, we show that for both set-based and message-passing tokenizations, any Lipschitz backbone admits an explicit decomposition of cross-domain output shift into (i) graph-specific finite-sample approximation terms and (ii) an intrinsic, relabeling-invariant domain discrepancy capturing structural mismatch. A key ingredient is positional-encoding (PE) stability: we establish stability guarantees for spectral PEs and highlight contrasting behaviors of eigenvector- versus subspace-based PEs. Experiments on synthetic and real graphs validate the theory and translate the decomposition into guidance for data curation in GFM transfer.
- Abstract（参考訳）: グラフ基盤モデル(GFMs)は、様々なグラフドメインにまたがる単一のバックボーンの再利用を目的としているが、それらの転送は不均一であり、負の転送を示すことがある。
これまでのほとんどの作業は、アーキテクチャや適応の選択による転送を改善するが、データ中心の質問に答える: 2つのグラフ領域のどの特性が、固定表現モデルがその出力をどの程度変更するかを決定するのか?
グラフベースの連続極限を用いて、集合ベースおよびメッセージパストークン化の両方に対して、任意のリプシッツバックボーンは、クロスドメイン出力シフトの明示的な分解を許容することを示す。
(i)グラフ固有の有限サンプル近似項及び
(ii)構造ミスマッチをキャプチャする内在的、非不変なドメインの不一致。
我々はスペクトルPEの安定性を保証するとともに、固有ベクトルと部分空間に基づくPEの対比挙動を強調する。
合成グラフと実グラフの実験は、この理論を検証し、分解をGFM転送におけるデータキュレーションのガイダンスに変換する。
関連論文リスト
- Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach [60.199985286210904]
Generalist Graph Anomaly Detection (GAD)は、グラフ固有のリトレーニングなしで、見えないグラフ上の異常を検出することを目的としている。
既存のアプローチは主に、異なる機能セマンティクスを無視したドメイン間の異種データの整合性に焦点を当てている。
We propose Fingerprint-based generalist GAD approach (ReFi-GAD)。
ReFi-GADは14のデータセットの実験において,最先端の手法よりも有意に優れていることを示す。
論文 参考訳（メタデータ） (2026-05-25T05:12:26Z) - DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation [28.666612808886736]
グラフドメイン適応(GDA)は、分散シフトの下でラベル付きソースグラフからラベルなしターゲットグラフに知識を転送することを目的としている。
既存の手法は、主に特徴中心であり、構造的な相違を見落としており、大きなトポロジーシフトの下では特に有害となる。
本稿では,ドメイン間構造変化を明示的にモデル化し適応する新しいフレームワークであるGDAのためのDual-Aligned Structure Basis Distillation (DSBD)を提案する。
論文 参考訳（メタデータ） (2026-04-03T16:23:59Z) - A Theory of Random Graph Shift in Truncated-Spectrum vRKHS [26.195791008324495]
本稿では,ランダムグラフ生成レンズによる領域シフトの下でのグラフ分類の理論を開発する。
我々は、同じランダムグラフモデル(RGM)を共有するクラス内グラフと、RGM成分の変化によって引き起こされる領域シフトについて考察する。
論文 参考訳（メタデータ） (2026-02-27T10:19:57Z) - Semantic Refinement with LLMs for Graph Representations [37.72134125261354]
グラフ表現学習のためのデータ適応セマンティック・リファインメントフレームワークDASを提案する。
我々は、テキストリッチグラフとテキストフリーグラフの両方に対するアプローチを評価した。
結果は、セマンティクスに富むグラフに競争力を維持しながら、構造支配グラフに対して一貫した改善を示す。
論文 参考訳（メタデータ） (2025-12-24T11:10:28Z) - A Novel Unified Extended Matrix for Graph Signal Processing: Theory and Application [10.908840038943643]
本稿では、パラメトリック設計により拡張隣接行列と統一グラフ表現行列を統合する統合拡張行列(UEM)フレームワークを提案する。
合成および実世界のデータセットに対する実験結果から,UEM-GFTは異常検出タスクにおいて既存のGSOベースの手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-08-16T02:30:41Z) - Invariant Graph Transformer for Out-of-Distribution Generalization [21.60139614144787]
Graph Out-Of-Distribution Generalized Transformer(GOODFormer)を紹介する。
予測グラフ構造とラベルの間の不変関係を捉えることにより、一般化グラフ表現を学習することを目的とする。
本研究では,動的に変化する部分グラフの符号化情報を効果的かつ効率的に取得するために,進化する部分グラフの位置および構造エンコーダを設計する。
論文 参考訳（メタデータ） (2025-08-01T04:11:53Z) - Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。
本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。
経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
論文 参考訳（メタデータ） (2023-10-10T08:40:47Z) - Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。
スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
論文 参考訳（メタデータ） (2022-11-11T23:44:20Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - 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)
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。