論文の概要: LoGIC: Budgeted Context Construction for Node-Level Graph In-Context Learning with Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2609.05955v1
• Date: Sat, 05 Sep 2026 07:43:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.172166
• Title: LoGIC: Budgeted Context Construction for Node-Level Graph In-Context Learning with Tabular Foundation Models
• Title（参考訳）: LoGIC: タブラル基礎モデルを用いたノードレベルグラフインコンテキスト学習のための予算付きコンテキスト構築
• Abstract要約: 現在のプロトコルでは、完全なトレーニングテーブルをコンテキストとして使用しており、ラベル付きプールと2次スケールに注意を向け、前処理やメモリボトルネックを導入している。 ノードレベルグラフ ICL: ラベル付きノードと補助ラベルなしノードが指定されたクエリのプロンプトを構成するべきコンテキスト構成について検討する。 提案するLoGICは,構造的,特徴ベース,カバレッジチャネルを通じてラベル付きノードを検索し,各クエリをグラフローカルクラスタで共有し,アダプタバックボーンにラベル付きハロを組み込んだ上で,テストラベルなしでチャネルとコンテキストの予算を選択する。
• 参考スコア（独自算出の注目度）: 2.895347325484886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tabular foundation models have become powerful graph learners. Systems such as G2T-FM and GraphPFN encode each node as a feature row and make predictions through in-context learning (ICL), with labeled rows serving as the prompt. Current protocols employ the complete training table as context, causing attention to scale quadratically with the labeled pool and introducing preprocessing and memory bottlenecks. We investigate context construction for node-level graph ICL: which labeled nodes and auxiliary unlabeled nodes should constitute the prompt for specified queries. We formulate this allocation in terms of two resources: a labeled-context budget for predictive evidence and an unlabeled-halo budget for adapter message passing without using label capacity. We present LoGIC, which retrieves labeled nodes via structural, feature-based, and coverage channels, shares each context across the queries in a graph-local cluster, incorporates an unlabeled halo for adapter backbones, and chooses the channel and context budget without test labels. Across three backbone configurations drawn from two model families on GraphLand, budgeted contexts maintain locally runnable full-context performance, stay competitive with published large-dataset results, and markedly lower peak memory requirements compared with full-context and whole-graph inference. They further permit frozen graph ICL on million-node graphs without retraining. Our analysis identifies when retrieval channels work best and connects their behavior with graph properties.
• Abstract（参考訳）: タブラル基礎モデルは強力なグラフ学習者となっている。 G2T-FMやGraphPFNのようなシステムは、各ノードを特徴行としてエンコードし、ラベル付き行をプロンプトとして、コンテキスト内学習(ICL)を通じて予測する。 現在のプロトコルでは、完全なトレーニングテーブルをコンテキストとして使用しており、ラベル付きプールと2次スケールに注意を向け、前処理やメモリボトルネックを導入している。 ノードレベルグラフ ICL: ラベル付きノードと補助ラベルなしノードが指定されたクエリのプロンプトを構成するためのコンテキスト構成について検討する。 ラベル付きテキストによる予測証拠の予算と、ラベル容量を使わずにアダプタメッセージパッシングのラベル付きハロ予算という2つのリソースでこの割り当てを定式化する。 提案するLoGICは,構造的,特徴ベース,カバレッジチャネルを通じてラベル付きノードを検索し,各クエリをグラフローカルクラスタで共有し,アダプタバックボーンにラベル付きハロを組み込んだ上で,テストラベルなしでチャネルとコンテキストの予算を選択する。 GraphLand上の2つのモデルファミリから引き出された3つのバックボーン構成の中で、予算付きコンテキストはローカルに実行可能なフルコンテキストのパフォーマンスを維持し、発行された大データセット結果と競合し続け、フルコンテキストや全グラフ推論と比較してピークメモリの要求が著しく低い。 さらに、100万のノードグラフ上の凍結グラフ ICL を再トレーニングせずに許す。 本分析では,検索チャネルが最も機能するタイミングを同定し,その挙動をグラフ特性に関連付ける。

関連論文リスト

• SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
  SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。 本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
  論文  参考訳（メタデータ） (2026-08-25T20:18:05Z)
• COMBA: Cross Batch Aggregation for Learning Large Graphs with Context Gating State Space Models [19.591073105733567]
  状態空間モデルを用いた大規模グラフ学習のためのCOMBAを提案する。 2つの重要なイノベーションは、グラフコンテキストゲーティングとクロスバッチアグリゲーションである。 ベンチマークネットワークの実験は、ベースラインアプローチと比較して大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2026-02-19T23:14:32Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• 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)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
  タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:53Z)
• 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)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
  本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。 グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
  論文  参考訳（メタデータ） (2020-04-05T13:09:37Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。