論文の概要: A Graph Foundation Model with Spectral Parsing and Prototype-Guided Spatial Propagation

• arxiv url: http://arxiv.org/abs/2606.03315v1
• Date: Tue, 02 Jun 2026 08:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.86601
• Title: A Graph Foundation Model with Spectral Parsing and Prototype-Guided Spatial Propagation
• Title（参考訳）: スペクトル解析とプロトタイプ誘導空間伝搬を用いたグラフ基礎モデル
• Authors: Ankang Yang, Jitao Zhao, Dongxiao He, Liang Yang, Di Jin, Weixiong Zhang,
• Abstract要約: グラフ基礎モデルは、さまざまなグラフから移行可能な知識を学習して、目に見えないグラフやタスクに一般化することを目的としている。 この課題は、特徴の相違と、より批判的には、多様なグラフ構造の両方から生じます。 既存のGFMは主に、特徴空間を統一したり、構造トークンや語彙を組み込んだりすることで転送性を向上させる。 スペクトル解析とプロトタイプ誘導空間伝搬を用いたグラフ基礎モデルであるSPGを提案する。
• 参考スコア（独自算出の注目度）: 30.922981803680518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph foundation models aim to learn transferable knowledge from diverse graphs for generalization to unseen graphs and tasks. Unlike text and images, graphs lack a shared vocabulary or regular spatial grid, making cross-graph transfer challenging. This challenge comes from both feature discrepancies and, more critically, diverse graph structures. Existing GFMs mainly improve transferability by unifying feature spaces or incorporating structural tokens and vocabularies. However, existing topology-aware designs still have limitations. Structural tokens are usually discrete, while structural vocabularies often rely on predefined substructures such as trees and cycles, whose limited coverage may miss richer relational patterns across graphs. Moreover, graph signals contain both high-frequency local patterns and smoother low-frequency patterns, which require different propagation behaviors. These components are often entangled in raw graph signals, while this spectral perspective is rarely explored in existing GFMs. To address these challenges, we propose SPG, a graph foundation model with spectral parsing and prototype-guided spatial propagation. SPG applies learnable Chebyshev filters to decompose node features into multiple spectral responses, reducing the mismatch between frequency-specific graph signals and propagation behaviors. It then constructs a Gromov-Wasserstein prototype geometry to distill transferable pairwise relations beyond predefined substructures into a shared structural space. The learned prototype geometry is further projected back as a prototype-guided propagation operator. Experiments demonstrate consistent improvements in cross-domain generalization.
• Abstract（参考訳）: グラフ基礎モデルは、さまざまなグラフから移行可能な知識を学習して、目に見えないグラフやタスクに一般化することを目的としている。 テキストや画像とは異なり、グラフには共有語彙や通常の空間格子がないため、クロスグラフ転送は困難である。 この課題は、特徴の相違と、より批判的には、多様なグラフ構造の両方から生じます。 既存のGFMは主に、特徴空間を統一したり、構造トークンや語彙を組み込んだりすることで転送性を向上させる。 しかし、既存のトポロジ対応の設計には限界がある。 構造トークンは通常離散的であるが、構造ボキャブラリはしばしば木やサイクルのような事前定義されたサブ構造に依存し、その範囲はグラフ間のよりリッチな関係パターンを欠く可能性がある。 さらに、グラフ信号には高周波局所パターンと、異なる伝搬挙動を必要とするより滑らかな低周波パターンの両方が含まれている。 これらの成分はしばしば生のグラフ信号に絡み合わされるが、このスペクトルの視点は既存のGFMでは滅多に探索されない。 これらの課題に対処するために、スペクトル解析とプロトタイプ誘導空間伝搬を用いたグラフ基盤モデルであるSPGを提案する。 SPGは学習可能なChebyshevフィルタを適用し、ノードの特徴を複数のスペクトル応答に分解し、周波数固有のグラフ信号と伝搬挙動のミスマッチを低減する。 その後、Gromov-Wasserstein の試作幾何を構築し、事前定義された部分構造を超えて伝達可能な対関係を共有構造空間に蒸留する。 学習されたプロトタイプ形状は、さらにプロトタイプ誘導伝搬作用素として投影される。 実験はクロスドメインの一般化における一貫した改善を示す。

関連論文リスト

• When Do Graph Foundation Models Transfer? A Data-Centric Theory [68.54337055801571]
  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。
  論文  参考訳（メタデータ） (2026-05-28T12:07:27Z)
• Structure-Centric Graph Foundation Model via Geometric Bases [16.191907209297362]
  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。
  論文  参考訳（メタデータ） (2026-05-09T04:56:21Z)
• Task-driven Heterophilic Graph Structure Learning [30.767828037086844]
  グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。 本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
  論文  参考訳（メタデータ） (2025-12-29T11:59:16Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Improving Spectral Graph Convolution for Learning Graph-level Representation [27.76697047602983]
  グラフ全体の表現を学習するためには,ノード間の基本的な関係を特徴付けるため,位相的距離が必要と考えられる。 グラフフィルタの制限を取り除くことで、新たなアーキテクチャによってグラフ表現の学習のパフォーマンスが大幅に向上する。 これは、よく知られたスペクトル/ローパスフィルタと比較して、入力信号に対するスペクトルの影響を定量的に測定する理解として機能する。
  論文  参考訳（メタデータ） (2021-12-14T04:50:46Z)
• 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)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)

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。