論文の概要: Generalizing Graph Foundation Models via Hyperbolic Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2606.03307v2
• Date: Wed, 03 Jun 2026 03:07:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.221175
• Title: Generalizing Graph Foundation Models via Hyperbolic Retrieval-Augmented Generation
• Title（参考訳）: 双曲検索拡張生成によるグラフ基礎モデルの一般化
• Authors: Yifan Jin, Qirui Ji, Bin Qin, Jiangmeng Li, Lixiang Liu, Fuchun Sun, Changwen Zheng,
• Abstract要約: グラフ基礎モデル(GFM)はグラフ表現学習において支配的なパラダイムとして登場した。 本稿では,GFMの一般化能力を高めるためのフレームワークを提案する。 複数のグラフベンチマークの実験では、ゼロショット設定が大幅に改善された。
• 参考スコア（独自算出の注目度）: 36.1292155308597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph foundation models (GFMs) emerged as a dominant paradigm in graph representation learning by leveraging large-scale pre-training for cross-domain inference. However, the parameterized knowledge encoded within these models is insufficient to cope with distribution shifts, limiting their generalization ability. To mitigate this issue, retrieval-augmented generation (RAG) has been introduced to incorporate external knowledge at inference time. Nevertheless, existing RAG frameworks operating in Euclidean space suffer from a fundamental geometric limitation: the polynomial volume growth of Euclidean space is inherently mismatched with the tree-structured external knowledge bases. This mismatch leads to the loss of semantic granularity in retrieval and gives rise to the hubness phenomenon.To address this limitation, we propose a Hyperbolic Retrieval-Augmented Generation (HyRAG) framework designed to enhance the generalization capabilities of GFMs. Specifically, the introduced Hyperbolic Knowledge Indexing module retains the tree-like hierarchies of the external knowledge base by modeling them within hyperbolic space. The Multi-granularity Retrieval module then provides GFMs with the global semantic anchors and local semantic nuances through coarse-grained and fine-grained knowledge retrieval, respectively. Finally, the Dual-path Fusion module achieves effective knowledge integration for graph tasks at both the feature and structural levels. Experiments on multiple graph benchmarks demonstrate significant improvements in the zero-shot setting, highlighting the generalization of our method for robust GFMs inference.
• Abstract（参考訳）: グラフ基礎モデル(GFM)は、クロスドメイン推論に大規模事前学習を活用することにより、グラフ表現学習において支配的なパラダイムとして登場した。 しかし、これらのモデルに符号化されたパラメータ化知識は、分布シフトに対処するには不十分であり、一般化能力を制限している。 この問題を緩和するために、推論時に外部知識を組み込むために、検索強化世代(RAG)が導入されている。 それでも、ユークリッド空間で動作する既存のRAGフレームワークは基本的な幾何学的制限に悩まされ、ユークリッド空間の多項式体積成長は本質的に木構造外の知識ベースと一致しない。 このミスマッチは,検索における意味的粒度の喪失を招き,ハブ性現象を生じさせ,この制限に対処するために,GFMの一般化能力を高めるために設計されたハイパーボリック検索・拡張生成(HyRAG)フレームワークを提案する。 特に、導入されたハイパーボリック知識インデックスモジュールは、ハイパーボリック空間内でそれらをモデル化することによって、外部知識ベースのツリーのような階層を維持している。 次に、多粒度検索モジュールは、粗粒度と細粒度の知識検索を通じて、大域的な意味アンカーと局所的な意味ニュアンスを備えたGFMを提供する。 最後に、Dual-path Fusionモジュールは、機能レベルと構造レベルの両方でグラフタスクの効果的な知識統合を実現する。 複数のグラフベンチマーク実験によりゼロショット設定の大幅な改善が示され、ロバストなGFM推定のための手法の一般化が強調された。

関連論文リスト

• RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation [27.59455285600957]
  Graph Foundation Models (GFMs) はグラフ学習のフロンティアとして登場し、さまざまなタスク間で伝達可能な表現を提供することが期待されている。 本稿では,パラメータから知識をオフロードする検索型生成支援グラフ基礎モデルであるRAG-GFMを提案する。 RAG-GFMは、クロスドメインノードとグラフ分類の両方において、13の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-01-21T16:02:43Z)
• HyperbolicRAG: Enhancing Retrieval-Augmented Generation with Hyperbolic Representations [11.678218711095269]
  グラフベースのRAGは、大きな言語モデルが外部知識にアクセスできるようにする。 本稿では,ハイパーボリック幾何をグラフベースRAGに統合する検索フレームワークであるHyperbolicRAGを提案する。
  論文  参考訳（メタデータ） (2025-11-24T06:27:58Z)
• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• 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)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。