論文の概要: Beyond Feature and Structure Alignment: Learning Transferable Propagation Knowledge for Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2607.28980v1
• Date: Fri, 31 Jul 2026 03:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.578822
• Title: Beyond Feature and Structure Alignment: Learning Transferable Propagation Knowledge for Graph Foundation Models
• Title（参考訳）: 特徴と構造アライメントを超えて:グラフ基礎モデルの伝達可能な伝播知識を学習する
• Authors: Yi Wang, Jitao Zhao, Di Jin, Dongxiao He,
• Abstract要約: グラフファウンデーションモデル(GFM)は、最近、多様なドメイン間での知識伝達を可能にする、有望なパラダイムとして登場した。 言語や視覚データとは異なり、グラフには固有の統一表現単位がなく、グラフ基盤モデルを構築するための伝達可能な知識単位を特定することは困難である。 本稿では,エッジと特徴次元の伝搬関係を伝達可能な知識単位とみなすグラフ基礎モデル(ProGFM)を提案する。
• 参考スコア（独自算出の注目度）: 28.150747334118915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Foundation Models (GFMs) have recently emerged as a promising paradigm for enabling knowledge transfer across diverse domains. Unlike traditional graph learning methods that are typically designed for in-domain settings, GFMs aim to learn transferable knowledge that can generalize to unseen graph domains. However, unlike language or visual data, graphs lack intrinsic and unified representation units, such as tokens in language and patches in vision, making it challenging to identify transferable knowledge units for building graph foundation models. Existing graph foundation models mainly focus on mitigating domain discrepancies through feature alignment and structure alignment, while overlooking the exploration of transferable knowledge units underlying graph data. Moreover, these methods generally rely on fixed propagation mechanisms during message passing, overlooking the heterogeneity in propagation patterns, as different edges may exhibit distinct propagation patterns for different feature dimensions. To address these limitations, we propose a Propagation-aware Graph Foundation Model (ProGFM), which regards the propagation relationships between edges and feature dimensions as transferable knowledge units. Through a propagation relationship prototype bank, ProGFM learns cross-domain transferable propagation knowledge, enabling adaptive information aggregation in unseen graph domains. Extensive experiments across various cross-domain transfer scenarios demonstrate that ProGFM possesses strong cross-domain knowledge transfer capability and exhibits superior generalization performance compared with existing methods.
• Abstract（参考訳）: グラフファウンデーションモデル(GFM)は、最近、多様なドメイン間での知識伝達を可能にする、有望なパラダイムとして登場した。 通常、ドメイン内の設定のために設計された従来のグラフ学習方法とは異なり、GFMは、目に見えないグラフドメインに一般化できる伝達可能な知識を学習することを目的としている。 しかし、言語や視覚データとは異なり、グラフには言語におけるトークンや視覚におけるパッチのような固有の統一表現単位がなく、グラフ基盤モデルを構築するための伝達可能な知識単位を特定することは困難である。 既存のグラフ基盤モデルは、主に特徴アライメントと構造アライメントを通じてドメインの差異を緩和することに焦点を当て、グラフデータに基づく伝達可能な知識ユニットの探索を見越している。 さらに、これらの手法は一般的に、異なるエッジが異なる特徴次元に対して異なる伝搬パターンを示す可能性があるため、伝播パターンの不均一性を見越して、メッセージパッシング中の固定伝搬機構に依存する。 これらの制約に対処するために,エッジと特徴次元間の伝播関係を伝達可能な知識単位として考慮した ProGFM (Propagation-aware Graph Foundation Model) を提案する。 ProGFMは、伝播関係のプロトタイプバンクを通じて、クロスドメイン転送可能な伝播知識を学習し、目に見えないグラフ領域における適応的な情報集約を可能にする。 様々なクロスドメイン転送シナリオにわたる大規模な実験により、ProGFMは強いクロスドメイン知識伝達能力を有し、既存の手法と比較して優れた一般化性能を示すことが示された。

関連論文リスト

• 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)
• Towards Text-free Graph Foundation Models: Rethinking Multi-Domain Graph Contrastive Learning [40.56379624114316]
  本稿では,MDGCLという,新しいマルチドメイン事前学習およびクロスドメイン転送フレームワークを提案する。 事前学習の段階では、ドメインの違いを実質的に認識し、キャプチャするための対照的な学習戦略を設計する。 下流の段階では、細かなドメイン知識の伝達を可能にするためのドメインアテンション機構を導入する。
  論文  参考訳（メタデータ） (2025-06-26T03:14:50Z)
• Multi-Domain Graph Foundation Models: Robust Knowledge Transfer via Topology Alignment [9.215549756572976]
  実世界のグラフはスパースが多く、ノイズの多い接続や敵の攻撃を受けやすい。 本稿では,ドメイン間のトポロジ情報を整合化し活用する統合フレームワークであるMDGFMを提案する。 トポロジを整列させることで、MDGFMはマルチドメイン事前学習を改善するだけでなく、目に見えないドメインへの堅牢な知識伝達を可能にする。
  論文  参考訳（メタデータ） (2025-02-04T05:09:23Z)
• 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)
• 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)
• Augmenting Knowledge Transfer across Graphs [16.50013525404218]
  本稿では,グラフ間の知識伝達を増強する汎用学習フレームワークであるTransNETを紹介する。 特に、様々なグラフ信号を異なる粒度で自然に定式化できるトリニティ信号という新しい概念を導入する。 TransNETは7つのベンチマークデータセットに対する既存のアプローチを、大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-12-09T08:46:02Z)
• Graphonomy: Universal Image Parsing via Graph Reasoning and Transfer [140.72439827136085]
  グラフィノノミー(Graphonomy)というグラフ推論・伝達学習フレームワークを提案する。 人間の知識とラベル分類を、局所畳み込みを超えた中間グラフ表現学習に組み込んでいる。 意味認識グラフの推論と転送を通じて、複数のドメインにおけるグローバルおよび構造化されたセマンティックコヒーレンシーを学習する。
  論文  参考訳（メタデータ） (2021-01-26T08:19:03Z)
• Adversarial Graph Representation Adaptation for Cross-Domain Facial Expression Recognition [86.25926461936412]
  本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。 提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-08-03T13:27:24Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)

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。