論文の概要: The Universal Classifier for Graph Learning

• arxiv url: http://arxiv.org/abs/2609.36302v1
• Date: Mon, 28 Sep 2026 21:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.020761
• Title: The Universal Classifier for Graph Learning
• Title（参考訳）: グラフ学習のためのユニバーサル分類器
• Abstract要約: 任意の特徴とクラス濃度をサポートし、ノード、エッジ、グラフレベルの目的を統一するUniversal Backbone(UC)を導入する。 UCは、全てのノード、エッジ、グラフレベルの予測タスクを、潜在空間における類似性を最大化するものとして再構成する。 このアーキテクチャでは、ノード分類、ノード回帰、および特徴セマンティクスの異なる未確認グラフをまたいだリンク予測を、単一の事前学習モデルで一般化することができる。
• 参考スコア（独自算出の注目度）: 13.41548040040175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While foundation models have revolutionized natural language processing and computer vision by leveraging universal vocabularies, Graph Machine Learning (GML) remains fractured due to the absence of a unified feature and structural representation across diverse domains. Existing works claiming to be Graph Foundation Models (GFMs) are typically restricted to node-level predictions or require fixed feature dimensions, failing to provide a truly task-agnostic backbone for the full spectrum of graph learning applications. In this paper, we introduce the Universal Classifier (UC), which supports arbitrary feature and class cardinalities, unifying node-, edge-, and graph-level objectives under a single similarity-based classification objective. The UC reformulates all node-, edge-, and graph-level prediction tasks as maximizing similarity in the latent space: by lifting heterogeneous features and labels into 3D latent tensors, the model learns transferable features independent of specific input schemas. This architecture allows a single pre-trained model to generalize to node classification, node regression, and link prediction across unseen graphs with varying feature semantics. Experiments show strong zero-shot transfer performance across node-, link-, and graph-level tasks.
• Abstract（参考訳）: 基礎モデルは、普遍的な語彙を活用することによって自然言語処理とコンピュータビジョンに革命をもたらしたが、グラフ機械学習(GML)は、さまざまなドメインにまたがる統一された特徴と構造的表現が欠如しているため、依然として破壊されている。 グラフ基礎モデル(GFM)であると主張される既存の作業は、通常ノードレベルの予測に制限されるか、固定された特徴次元を必要とする。 本稿では,任意の特徴とクラス濃度をサポートし,ノード,エッジ,グラフレベルを単一類似性に基づく分類対象の下で統一するUniversal Classifier(UC)を提案する。 UCは全てのノード、エッジ、グラフレベルの予測タスクを、潜在空間における類似性を最大化するものとして修正し、不均一な特徴とラベルを3D潜在テンソルに持ち上げることにより、特定の入力スキーマに依存しない転送可能な特徴を学習する。 このアーキテクチャでは、ノード分類、ノード回帰、および特徴セマンティクスの異なる未確認グラフをまたいだリンク予測を、単一の事前学習モデルで一般化することができる。 実験では、ノードレベル、リンクレベル、グラフレベルのタスク間でのゼロショット転送性能が強い。

関連論文リスト

• Learning Posterior Predictive Distributions for Node Classification from Synthetic Graph Priors [32.18961351570798]
  グラフニューラルネットワーク(GNN)は基本的な制限に直面している。 グラフ固有のトレーニングを使わずに任意のグラフに一般化するNodePFNを導入する。 1つの事前訓練されたNodePFNは、23のベンチマークで71.27の平均精度を達成する。
  論文  参考訳（メタデータ） (2026-04-21T03:23:34Z)
• Training A Foundation Model to Represent Graphs as Vectors [24.592499205332413]
  本稿では,任意のグラフを意味情報を保存するベクトルとして表現できるグラフ基盤モデルを訓練することを目的とする。 提案モデルの有効性を裏付ける理論的な一般化を提供する。 数ショットのグラフ分類とグラフクラスタリングによる実験結果から,我々のモデルは強いベースライン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） (2026-02-04T06:06:28Z)
• Equivariance Everywhere All At Once: A Recipe for Graph Foundation Models [25.936601292112844]
  ノードレベルのタスクのためのグラフ基盤モデルを第一原理から設計するためのレシピを提案する。 本研究の基盤となる重要な要素は,グラフ基盤モデルが尊重すべき対称性を体系的に調査することである。 我々は29の実世界のノード分類データセットに関する広範な実験を通して、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2025-06-17T08:05:08Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• 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)
• UniGraph: Learning a Unified Cross-Domain Foundation Model for Text-Attributed Graphs [30.635472655668078]
  Text-Attributed Graphs (TAG) は、さまざまなドメインにまたがる見えないグラフやタスクに一般化することができる。 本稿では,言語モデル (LM) とグラフニューラルネットワーク (GNN) をバックボーンネットワークとして,新しいケースドアーキテクチャを提案する。 本モデルの有効性を,未確認グラフの自己教師型表現学習,少数ショットインコンテキスト転送,ゼロショット転送で実証する。
  論文  参考訳（メタデータ） (2024-02-21T09:06:31Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• 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)

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。