論文の概要: Surprisingly Simple and Effective Multi-Domain Graph Foundation Model through Graph-to-Table Alignment

• arxiv url: http://arxiv.org/abs/2607.11374v1
• Date: Mon, 13 Jul 2026 10:35:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.438293
• Title: Surprisingly Simple and Effective Multi-Domain Graph Foundation Model through Graph-to-Table Alignment
• Title（参考訳）: グラフからテーブルへのアライメントによる驚くほどシンプルで効果的なマルチドメイングラフ基礎モデル
• Authors: Chunyu Hu, Tianyin Liao, Ge Lan, Xingxuan Zhang, Jianxin Li, Peng Cui, Ziwei Zhang,
• Abstract要約: グラフファウンデーションモデル(GFM)は、様々なグラフドメインにわたる転送可能な表現を学習するための有望なパラダイムとして登場した。 GTAlignは、テキストフリーグラフ基盤モデルのための驚くほどシンプルで効果的なグラフツーテイブルアライメントフレームワークである。 5つのベンチマークデータセットの実験では、GTAlignはノード分類とグラフ分類の両方で最先端のベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 27.039467001269614
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph Foundation Models (GFMs) have emerged as a promising paradigm for learning transferable representations across diverse graph domains. Recent advancements in GFMs have been largely dominated by two paradigms: Graph Neural Network and Large Language Model (LLM) based methods. However, these methods often face a fundamental dilemma between training with limited data and a heavy reliance on textual attributes. Tabular foundation models (TFMs) offer a potential alternative, as node features and representations can be naturally organized in a tabular form. However, how to enable TFMs to effectively capture structural information of graphs remains largely unexplored. The key challenge is to learn a graph-to-table alignment mechanism that enables graph structural understanding for TFMs. To address this, we propose GTAlign, a surprisingly simple yet effective Graph-to-Table Alignment framework for text-free Graph Foundation Model. Specifically, we first pretrain a graph encoder that maps diverse graphs into a unified latent space to capture domain-agnostic graph representations. To further bridge the gap between graph topology and the tabular representation space, we propose community-guided continual pre-training, where pseudo-labels derived from graph community are used to construct few-shot prediction episodes. Lastly, we adapt the graph encoder for an unseen target domain and perform in-context inference. Extensive experiments on five benchmark datasets demonstrate that GTAlign significantly outperforms state-of-the-art baselines on both node and graph classification, offering a simple, effective, and text-free GFM model. Code will be released upon acceptance.
• Abstract（参考訳）: グラフファウンデーションモデル(GFM)は、様々なグラフドメインにわたる転送可能な表現を学習するための有望なパラダイムとして登場した。 GFMの最近の進歩は、グラフニューラルネットワークとLLM(Large Language Model)という2つのパラダイムによって大きく支配されている。 しかし、これらの手法は、限られたデータによるトレーニングと、テキスト属性に大きく依存する2つの基本的なジレンマに直面していることが多い。 タブラル基礎モデル(TFM)は、ノードの特徴や表現を表形式で自然に整理できるため、潜在的な代替手段を提供する。 しかし、TFMがグラフの構造情報を効果的に捉えられるようにする方法については、明らかにされていない。 主要な課題は、TFMのグラフ構造理解を可能にするグラフからテーブルへのアライメントメカニズムを学ぶことである。 この問題に対処するために,テキストフリーグラフ基盤モデルのための驚くほどシンプルで効果的なグラフ・ツー・タブル・アライメント・フレームワークであるGTAlignを提案する。 具体的には、まず、様々なグラフを統一された潜在空間にマッピングし、ドメインに依存しないグラフ表現をキャプチャするグラフエンコーダを事前訓練する。 グラフトポロジと表表現空間のギャップをさらに埋めるために,グラフコミュニティから派生した擬似ラベルを用いて,数発の予測エピソードを構築するコミュニティ誘導型継続事前学習を提案する。 最後に、未確認のターゲットドメインに対してグラフエンコーダを適用し、コンテキスト内推論を行う。 5つのベンチマークデータセットに対する大規模な実験により、GTAlignはノード分類とグラフ分類の両方において最先端のベースラインを大幅に上回り、単純で効果的でテキストフリーなGFMモデルを提供する。 コードは受理時にリリースされる。

関連論文リスト

• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• 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)
• GraphPFN: A Prior-Data Fitted Graph Foundation Model [27.47522328312435]
  大規模データセットで事前訓練された基礎モデルは、自然言語処理やコンピュータビジョンといった分野に変化をもたらした。 ノードレベルの予測のための事前データ付きネットワークであるGraphPFNを提案する。 最大50,000ノードのさまざまな実世界のグラフデータセットでは、GraphPFNは、微調整後の強いコンテキスト内学習のパフォーマンスと最先端の結果を示している。
  論文  参考訳（メタデータ） (2025-09-25T19:47:49Z)
• Bringing Graphs to the Table: Zero-shot Node Classification via Tabular Foundation Models [13.832068659130705]
  グラフ学習手法であるTAGを導入し,まず特徴および構造エンコーダを用いてグラフをテーブルに変換し,様々なサブサンプルテーブルに複数のFMを適用し,アンサンブル選択により出力を集約する。 28の実世界のデータセットの実験では、TAGはタスク固有のGNNと最先端のGFMを一貫して改善している。
  論文  参考訳（メタデータ） (2025-09-08T18:48:26Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• GFT: Graph Foundation Model with Transferable Tree Vocabulary [52.17804507458509]
  本稿では,木語彙を伝達可能なグラフファウンデーションモデルとして,GFTと命名されたクロスタスク・クロスドメイングラフ基盤モデルを提案する。 変換可能な語彙内で計算木をトークンとして扱うことにより、GFTはモデルの一般化を改善し、負の転送のリスクを低減する。 理論解析と広範な実験的研究により,グラフ学習におけるGFTの有効性が実証され,様々なタスクや領域にまたがるGFTの有効性が示された。
  論文  参考訳（メタデータ） (2024-11-09T05:14:30Z)
• GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
  グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。 堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。 本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
  論文  参考訳（メタデータ） (2023-10-19T06:17:46Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)

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。