論文の概要: A Fair Evaluation of Graph Foundation Models for Node Property Prediction

• arxiv url: http://arxiv.org/abs/2606.24509v1
• Date: Tue, 23 Jun 2026 12:41:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.944468
• Title: A Fair Evaluation of Graph Foundation Models for Node Property Prediction
• Title（参考訳）: ノード特性予測のためのグラフ基礎モデルの公正評価
• Authors: Oleg Platonov, Gleb Bazhenov, Dmitry Eremeev, Liudmila Prokhorenkova,
• Abstract要約: Graph Foundation Models (GFMs) はノードプロパティ予測タスク用に設計されている。 本稿では、ノード特性予測のための最近の9つのGFMを再評価し、それらを強力なグラフニューラルネットワーク(GNN)ベースラインと比較する。 これらのGFMの中では、予測性能において、事前データフィットネットワークのパラダイムに基づく最新のものだけが、よく調整されたGNNよりも優れている。
• 参考スコア（独自算出の注目度）: 13.518273106533657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the wide use of graph-structured data in different fields of industry and science, the development of Graph Foundation Models (GFMs) has recently attracted a lot of attention. While many different types of models are called GFMs, particular interest has been paid to GFMs designed for node property prediction tasks, which is one of the most popular settings in Graph ML with lots of real-world applications from fraud detection in financial and social networks to recommendation systems for e-commerce and user-generated content platforms. While a number of GFMs for this task have been recently proposed, the field has not converged to a unified evaluation setting, and different works evaluate their models in widely different ways, preventing reliable comparison of GFMs with each other and with other types of models. In this work, we conduct a fair and rigorous reevaluation of 9 recent GFMs for node property prediction, comparing them to strong Graph Neural Network (GNN) baselines. We find that, among these GFMs, only the most recent ones based on the Prior-data Fitted Networks paradigm outperform well-tuned GNNs in predictive performance, although at a higher inference cost.
• Abstract（参考訳）: 産業・科学のさまざまな分野におけるグラフ構造化データの普及により、グラフ基礎モデル(GFM)の開発が近年注目されている。 さまざまなタイプのモデルが GFM と呼ばれているが、特に関心はノードプロパティ予測タスク用に設計された GFM に向けられ、これはGraph ML において最も人気のある設定の1つであり、金融やソーシャルネットワークの不正検出から、eコマースやユーザー生成コンテンツプラットフォームのためのレコメンデーションシステムまで、多くの現実世界のアプリケーションがある。 近年,多くのGFMが提案されているが,この分野は統一された評価設定に収束せず,様々な研究が異なる方法でモデルを評価し,GFMと他のタイプのモデルとの信頼性比較を防止している。 本研究では, ノード特性予測のための最近の9つのGFMの公平かつ厳密な再評価を行い, それらを強力なグラフニューラルネットワーク(GNN)ベースラインと比較する。 これらのGFMのうち、予測性能において、予測コストが高いにもかかわらず、事前データフィットネットワークのパラダイムに基づく最新のものの方が、よく調整されたGNNよりも優れていることが判明した。

関連論文リスト

• Learning Graph Foundation Models on Riemannian Graph-of-Graphs [18.179624610878744]
  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。
  論文  参考訳（メタデータ） (2026-05-11T05:09:16Z)
• 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)
• PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models [3.9031647202359667]
  PANGAEAは標準化された評価プロトコルであり、さまざまなデータセット、タスク、解像度、センサーのモダリティ、時間性をカバーする。 我々は、このベンチマークで利用可能な最も人気のあるGFMを評価し、その性能を複数のドメインで分析する。 本研究は, GFMの限界を, 異なるシナリオ下で強調し, 教師付きモデルよりも常に優れていないことを示した。
  論文  参考訳（メタデータ） (2024-12-05T14:40:41Z)
• 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)
• Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
  本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。 これらのグラフモデルと従来の協調フィルタリングモデルを比較する。 ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
  論文  参考訳（メタデータ） (2023-08-01T09:31:44Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)

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。