論文の概要: AgentGFM: A Graph Foundation Model with Node-Agent Information-Flow Control

• arxiv url: http://arxiv.org/abs/2607.26533v1
• Date: Wed, 29 Jul 2026 06:58:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.563274
• Title: AgentGFM: A Graph Foundation Model with Node-Agent Information-Flow Control
• Title（参考訳）: AgentGFM:Node-Agent情報フロー制御を備えたグラフ基礎モデル
• Abstract要約: Graph Foundation Models (GFMs)は、マルチドメイングラフから転送可能な知識を学び、目に見えないシナリオに適応することを目的としている。 本稿では,すべてのノードエージェントが共有エンドツーエンドのトレーニング可能なポリシに従うエージェントGFMを提案する。 ノードレベル,グラフレベル,大規模転送シナリオを対象とした実験により,AgentGFMの有効性が示された。
• 参考スコア（独自算出の注目度）: 26.145563831014886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Foundation Models (GFMs) aim to learn transferable knowledge from multi-domain graphs and adapt to unseen scenarios. As a fundamental source of relational semantics in graphs, the transferability of topological patterns has long been central to GFM research. However, local structural patterns may vary across graphs and even among nodes within the same graph. Despite such structural variation, most existing GFMs rely on manually designed propagation schemes and apply them to new graphs largely unchanged. Such fixed schemes may not suit the diverse structural patterns of different nodes. This raises a key question: can each node autonomously determine how information should be propagated through the graph? We refer to this capability as information-flow control. Inspired by recent advances in agent technology, we formulate this problem as agent-based decision making and treat each node as an agent. Accordingly, we propose AgentGFM, in which all node agents follow a shared end-to-end trainable policy rather than using independent models. For adaptive information-flow control, each node interacts with the graph through a predict-act-observe-correct process. During the act stage, the node makes three decisions: source reception, signal-channel selection and gain-aware node-wise halting. The resulting observation is compared with the prediction and their discrepancy is used to correct the node state and guide subsequent interactions. Extensive experiments across node-level, graph-level and large-scale transfer scenarios demonstrate the effectiveness of AgentGFM across diverse graph topologies.
• Abstract（参考訳）: Graph Foundation Models (GFMs)は、マルチドメイングラフから転送可能な知識を学び、目に見えないシナリオに適応することを目的としている。 グラフのリレーショナルセマンティクスの基本的な情報源として、トポロジカルパターンの転送性は長い間、GFM研究の中心であった。 しかし、局所的な構造パターンはグラフ全体や、同じグラフ内のノードの間でも異なる可能性がある。 このような構造的変化にもかかわらず、既存の GFM は手動で設計した伝搬スキームに依存し、それらを新しいグラフに適用する。 このような固定的なスキームは、異なるノードの多様な構造パターンに適合しないかもしれない。 それぞれのノードは、グラフを通じてどのように情報を伝播すべきかを自律的に決定できますか? 我々はこの機能を情報フロー制御と呼ぶ。 エージェント技術の最近の進歩に触発されて、エージェントベースの意思決定としてこの問題を定式化し、各ノードをエージェントとして扱う。 そこで我々は,すべてのノードエージェントが独立したモデルではなく,共通のエンドツーエンドのトレーニング可能なポリシに従うエージェントGFMを提案する。 適応的な情報フロー制御では、各ノードは予測-動作-観測-正しいプロセスを通じてグラフと相互作用する。 実行段階では、ノードはソース受信、信号チャネルの選択、利得対応ノードワイズ停止という3つの決定を行う。 得られた観測結果は予測値と比較され、それらの不一致はノードの状態の修正とその後の相互作用の導出に使用される。 ノードレベル,グラフレベル,大規模転送シナリオにわたる大規模な実験は,多様なグラフトポロジにまたがるエージェントGFMの有効性を示す。

関連論文リスト

• ReaGAN: Node-as-Agent-Reasoning Graph Agentic Network [42.07642007390272]
  グラフ学習のための検索拡張グラフエージェントネットワーク(ReaGAN)を提案する。 各ノードは、その内部メモリに基づいて、独立して次のアクションを計画するエージェントとして機能する。 RAGはノードが意味論的に関連のあるコンテンツにアクセスし、グラフにグローバルな関係を構築することを可能にする。
  論文  参考訳（メタデータ） (2025-08-01T08:37:54Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Multi-grained Semantics-aware Graph Neural Networks [13.720544777078642]
  グラフニューラルネットワーク(GNN)は、グラフの表現学習において強力な技術である。 本研究では,ノードとグラフ表現を対話的に学習する統合モデルAdamGNNを提案する。 14の実世界のグラフデータセットに対する実験により、AdamGNNはノードとグラフの両方のタスクにおいて17の競合するモデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-01T07:52:06Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。