論文の概要: What Makes Graph Unified? Principles and Generative Sliding-Window Transformer for Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2607.27966v1
• Date: Thu, 30 Jul 2026 10:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.505514
• Title: What Makes Graph Unified? Principles and Generative Sliding-Window Transformer for Graph Foundation Models
• Title（参考訳）: グラフを統一する理由は何か? グラフ基礎モデルのための原理と生成的スライディング・ウィンドウ変換器
• Abstract要約: グラフ基礎モデル(GFM)は、最近、汎用グラフ学習の有望なパラダイムとして登場した。 トポロジを意識したスライドウインドウ特徴符号化と生成的再構成に基づくグラフ基盤モデルであるSliGFMを提案する。
• 参考スコア（独自算出の注目度）: 32.21569532604169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Foundation Models (GFMs) have recently emerged as a promising paradigm for general-purpose graph learning, aiming to learn reusable knowledge that generalizes across diverse graph domains and downstream tasks, reducing the need for specific model development. Achieving this goal requires reconciling the substantial heterogeneity in node features, graph structures, and semantic information across domains. Among them, heterogeneous node features constitute a fundamental input-level barrier, as their dimensionality and semantics vary substantially across datasets. Existing studies typically project or map heterogeneous node features into a fixed-dimensional space, often implicitly equating dimensional uniformity with effective feature unification. Yet dimensional consistency alone does not ensure that the unified features preserve informative semantics and capture transferable patterns that can support cross-domain knowledge transfer. To bridge this conceptual gap, we distill four desiderata for cross-domain graph feature unification: formal uniformity, cross-domain transferability, information preservation, and backbone compatibility. Guided by these principles, we propose SliGFM, a graph foundation model built upon topology-aware sliding-window feature encoding and generative reconstruction. SliGFM orders feature dimensions by topological smoothness and scans the reordered features with a shared sliding-window feature encoder, transforming heterogeneous features into a common space of ordered fixed-dimensional feature tokens. This formulation enables a smoothness-aware transformer to capture transferable relational patterns among feature tokens within each node, while the generative reconstruction objective encourages preservation of the original feature information.
• Abstract（参考訳）: グラフ基礎モデル(GFM)は、様々なグラフドメインと下流タスクにまたがる再利用可能な知識を学習し、特定のモデル開発の必要性を減らすことを目的とした、汎用グラフ学習のための有望なパラダイムとして最近登場した。 この目標を達成するには、ノードの特徴、グラフ構造、ドメイン間のセマンティックな情報の相当な不均一性を理解する必要がある。 それらの中で、異種ノードの特徴は、その次元と意味がデータセット間で大きく異なるため、基本的な入力レベルバリアを構成する。 既存の研究は通常、不均一なノードの特徴を固定次元空間に射影または写像し、しばしば効果的特徴統一と暗黙的に同一視する。 しかし、次元整合性だけでは、統合された機能が情報的意味を保ち、ドメイン間の知識伝達をサポートすることができる伝達可能なパターンをキャプチャすることを保証しません。 この概念的ギャップを埋めるために,形式的均一性,クロスドメイン転送性,情報保存性,バックボーン互換性という,クロスドメイングラフ機能統合のための4つのデシラタを蒸留する。 これらの原理によって導かれたSliGFMは、トポロジを意識したスライドウインドウ特徴符号化と生成的再構成に基づくグラフ基盤モデルである。 SliGFMはトポロジカルな滑らかさによって特徴次元を順序付けし、整列された特徴を共有スライディングウインドウ特徴エンコーダでスキャンし、不均一な特徴を順序付き固定次元特徴トークンの共通空間に変換する。 この定式化により、各ノード内の特徴トークン間の伝達可能な関係パターンをスムーズな対応でキャプチャし、生成的再構成により元の特徴情報の保存が促進される。

関連論文リスト

• Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks [1.49251567571938]
  SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。 リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込む。 1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
  論文  参考訳（メタデータ） (2026-08-09T08:14:35Z)
• 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)
• Empowering Heterogeneous Graph Foundation Models via Decoupled Relation Alignment [20.128308877213044]
  Decoupled Relation Subspace Alignment (DRSA)は、新しいプラグアンドプレイ関係駆動フレームワークである。 特徴的意味論を関係構造から切り離すことによってパラダイムを根本的にシフトさせる。 ユニバーサルプリプロセッシングモジュールとしてシームレスに統合することができる。
  論文  参考訳（メタデータ） (2026-05-01T15:31:36Z)
• CrossHGL: A Text-Free Foundation Model for Cross-Domain Heterogeneous Graph Learning [18.84875776859183]
  CrossHGLは、異種グラフを均質化し、相互作用セマンティクスをエッジ特徴にエンコードする意味保存変換戦略である。 Tri-Prompt機構を備えたプロンプト対応のマルチドメイン事前トレーニングフレームワークは、機能、エッジ、構造の観点から伝達可能な知識をキャプチャする。 ノードレベルのタスクとグラフレベルのタスクの実験は、CrossHGLが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2026-03-29T13:17:15Z)
• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• HeSRN: Representation Learning On Heterogeneous Graphs via Slot-Aware Retentive Network [22.60005673964228]
  HeSRNは、効率的かつ表現力のあるヘテロジニアスグラフ表現学習のための、新しいヘテロジニアススロット対応Retentive Networkである。 HeSRNは、ノード分類タスクにおける最先端の異種グラフニューラルネットワークとグラフトランスフォーマーベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-10T18:18:06Z)
• 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)
• 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)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)

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。