論文の概要: SCGFM-ART: Amortized Relational Transport for Structure-Centric Graph Foundation Models

• arxiv url: http://arxiv.org/abs/2609.20419v1
• Date: Thu, 17 Sep 2026 14:01:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.297886
• Title: SCGFM-ART: Amortized Relational Transport for Structure-Centric Graph Foundation Models
• Title（参考訳）: SCGFM-ART:Amortized Relational Transport for Structure-Centric Graph Foundation Models
• Abstract要約: SCGFM-ARTは、任意のグラフをAmortized Transport (ART)を介して共有リレーショナルアトラスにアライメントする構造中心のGFMフレームワークである。 本研究では,SCGFM-ARTが最先端のトランスファービリティを実現し,それぞれ2.29と1.14の上位ランクを確保していることを示す。 実世界のベンチマークでは、償却された定式化は44.2から85.1倍高速な目標ドメイン推論をもたらす。
• 参考スコア（独自算出の注目度）: 15.10051308987488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph foundation models (GFMs) aim to learn transferable representations across severely heterogeneous graph domains. However, severe domain shifts in topology, graph scale, and feature semantics impede the construction of a unified, domain-agnostic representation space. To address this, we propose SCGFM-ART, a structure-centric GFM framework that aligns arbitrary graphs onto a shared relational atlas via Amortized Relational Transport (ART). The relational atlas serves as a universal coordinate system defined by a finite set of relational landmarks (bases), while ART directly predicts reusable, end-to-end graph-to-base transport plans, bypassing costly runtime Gromov-Wasserstein optimizations. Under this formulation, SCGFM-ART decomposes a graph into a unified representation: globally via its relational response coordinates relative to the atlas, and locally via its node-to-role structural correspondences. These correspondences project disparate node attributes into a canonical role space, resolving structural and semantic heterogeneity within a singular alignment interface. Rigorously modeling graphs and atlas bases as finite measured relational spaces, we establish coordinate fidelity bounds, prove stability under predicted transport plans, and derive an amortized coverage bound that guarantees our learning objective tightly surrogates ideal relational coverage. Benchmarked across 14 cross-domain graph- and node-level classification tasks, SCGFM-ART achieves state-of-the-art transferability, securing superior average ranks of 2.29 and 1.14, respectively. Topological perturbation analyses demonstrate that node-role transport retains fine-grained structural nuances beyond global coordinates. On real-world benchmarks, the amortized formulation yields 44.2 to 85.1 times faster frozen target-domain inference by avoiding iterative alignment at test time.
• Abstract（参考訳）: グラフ基礎モデル(GFMs)は、非常に不均一なグラフドメイン間の転送可能な表現を学習することを目的としている。 しかし、トポロジー、グラフスケール、特徴意味論の厳しい領域シフトは、統一されたドメインに依存しない表現空間の構築を妨げる。 そこで本稿では,任意のグラフを共有関係アトラスにアライメントする構造中心のGFMフレームワークであるSCGFM-ARTを提案する。 リレーショナルアトラスは、有限のリレーショナルランドマーク(ベース)によって定義される普遍座標系として機能し、ARTはコストのかかるGromov-Wasserstein最適化をバイパスして、再利用可能なエンドツーエンドのグラフ・ツー・ベース・トランスポート計画を直接予測する。 この定式化の下で、SCGFM-ARTはグラフを統一表現に分解する。 これらの対応は、異なるノード属性を標準ロール空間に射影し、特異アライメントインターフェース内の構造的および意味的不均一性を解消する。 グラフとアトラス基底を有限測度関係空間として厳密にモデル化し、座標の忠実性境界を確立し、予測された輸送計画の下で安定性を証明し、学習目的が理想的な関係性カバレッジを強固にサロゲートすることを保証するアモータイズされたカバレッジ境界を導出する。 SCGFM-ARTは14のクロスドメイングラフとノードレベルの分類タスクでベンチマークされ、それぞれ2.29と1.14の上位ランクを確保している。 トポロジカル摂動解析は、ノード・ロール輸送が大域座標を超えた微細な構造ニュアンスを保持することを示した。 実世界のベンチマークでは、補正された定式化は、テスト時に反復的なアライメントを避けることで、44.2から85.1倍高速な凍ったターゲットドメイン推論をもたらす。

関連論文リスト

• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• 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)
• DSBD: Dual-Aligned Structural Basis Distillation for Graph Domain Adaptation [28.666612808886736]
  グラフドメイン適応(GDA)は、分散シフトの下でラベル付きソースグラフからラベルなしターゲットグラフに知識を転送することを目的としている。 既存の手法は、主に特徴中心であり、構造的な相違を見落としており、大きなトポロジーシフトの下では特に有害となる。 本稿では,ドメイン間構造変化を明示的にモデル化し適応する新しいフレームワークであるGDAのためのDual-Aligned Structure Basis Distillation (DSBD)を提案する。
  論文  参考訳（メタデータ） (2026-04-03T16:23:59Z)
• Differentiable Tripartite Modularity for Clustering Heterogeneous Graphs [0.0]
  相互作用を通して連結された3つのノードタイプからなるグラフに対して,三部分母モジュラリティの微分可能な定式化を導入する。 コミュニティ構造は、三部グラフ上の重み付きコパスと、高密度な三階テンソルの明示的な構成を避けるための正確な分解計算によって定義される。 提案手法を大規模都市カダストラルデータに適用し,頑健な収束挙動を示し,空間的コヒーレントな分割を生成する枠組みを検証した。
  論文  参考訳（メタデータ） (2026-02-10T15:06:53Z)
• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)

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。