論文の概要: Toward Omni Multimodal Graph Foundation Model: A Topology-Driven Binding Approach

• arxiv url: http://arxiv.org/abs/2610.02881v1
• Date: Fri, 02 Oct 2026 06:18:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.242774
• Title: Toward Omni Multimodal Graph Foundation Model: A Topology-Driven Binding Approach
• Title（参考訳）: Omni Multimodal Graph Foundation Modelに向けて: トポロジ駆動型バインディングアプローチ
• Abstract要約: GraphBindは、グラフトポロジを用いてリッチなモダリティ情報を統一された共有空間に結合するトポロジ駆動のアプローチである。 差別的タスクと生成的タスクの両方において、最強のベースラインよりも28.1%の相対的な改善を達成している。
• 参考スコア（独自算出の注目度）: 36.75358137200444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal graph foundation models (MGFMs) seek to learn generalizable representations from large-scale graphs with heterogeneous node modalities. However, real-world Multimodal-Attributed Graphs (MAGs) often contain incomplete node attributes, limiting the scale and diversity of available pretraining corpora. Besides, existing MGFMs primarily incorporate graph topology as structural context, overlooking its role in guiding multimodal binding and shaping a unified representation space. To address these challenges, we propose GraphBind, a topology-driven approach that uses graph topology to bind rich modality information into a unified shared space. GraphBind is motivated by the stability of graph topology, which provides structural references and complementary semantic information for multimodal binding. Concretely, GraphBind uses topology to organize self semantics and reliable neighborhood semantics into a global shared space that integrates structure and semantics, and adapts this space to discriminative and generative tasks through lightweight interfaces. Extensive experiments against 11 representative baselines demonstrate that GraphBind achieves leading performance on both discriminative and generative tasks, with relative improvements of up to 28.1% over the strongest baseline.
• Abstract（参考訳）: MGFM(Multimodal graph foundation model)は、不均一なノードモードを持つ大規模グラフから一般化可能な表現を学習することを目的としている。 しかし、実世界のマルチモーダル属性グラフ(MAG)は、しばしば不完全なノード属性を含み、利用可能な事前学習コーパスのスケールと多様性を制限する。 さらに、既存のMGFMは主にグラフトポロジーを構造的文脈として含み、マルチモーダル結合の導出と統一表現空間の形成におけるその役割を見越す。 これらの課題に対処するために,グラフトポロジを用いてリッチなモダリティ情報を統一された共有空間に結合するトポロジ駆動型アプローチであるGraphBindを提案する。 GraphBindは、グラフトポロジーの安定性によって動機付けられ、マルチモーダルバインディングのための構造的参照と補完的セマンティック情報を提供する。 具体的には、GraphBindはトポロジを使用して、自己意味論と信頼性のある近傍意味論を、構造と意味論を統合するグローバルな共有空間に整理し、この空間を軽量インターフェースを通じて差別的で生成的なタスクに適応させる。 11の代表的なベースラインに対する大規模な実験では、GraphBindは差別的タスクと生成的タスクの両方において、最強ベースラインに対して28.1%の相対的な改善を達成している。

関連論文リスト

• CHARM: A Multimodal Graph Foundation Model with Hierarchical Context Modeling for Zero-Shot Transfer [28.685440757890465]
  グラフ基礎モデル(GFM)は、グラフドメインとタスク間で知識を伝達するための有望なパラダイムとして登場した。 ゼロショット転送のための階層型コンテキストモデリングを用いたマルチモーダルグラフ基盤モデルCHARMを提案する。 実験では、ゼロショットマルチモーダルグラフタスクに一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-07-28T17:35:26Z)
• Toward Federated Multimodal Graph Foundation Models: A Topology-Aware Multimodal Alignment Framework [35.35423006939282]
  FedGAMMAは2段階のセマンティック構造アライメント問題として、フェデレーション付きマルチモーダルグラフ基礎学習を論じている。 事前学習中、共有プライベートなセマンティックエンハンサーは、モダリティ固有の情報からモダリティ間の共通性を切り離す。 微調整の間、FedGAMMAは軽量なグラフ認識プロンプトを通じて事前訓練されたエンコーダに適応する。
  論文  参考訳（メタデータ） (2026-07-17T06:57:41Z)
• FedLAB: Traceable Semantic Codebooks for Federated Multimodal Graph Foundation Learning [47.940785803361415]
  FedLABはトレース可能なセマンティックコードブックフレームワークで、マルチモーダルグラフの知識をモダリティエビデンス、ノードセマンティクス、トポロジーコンテキストのための型付きコードブックに整理する。 実験によると、FedLABは、ネイティブなセマンティックトレースインターフェースを保持しながら、最先端のベースラインを7.53%改善している。
  論文  参考訳（メタデータ） (2026-06-30T17:47:39Z)
• Robust Multimodal Recommendation via Graph Retrieval-Enhanced Modality Completion [71.20734649881258]
  実世界のマルチモーダルデータセットは、センサーの故障、アノテーションの不足、プライバシーの制約によって、しばしばモダリティの不完全性に悩まされる。 効果的な解決策の1つはモダリティ補完であり、下流タスクのためのモダリティ完全グラフを提供するために欠落した特徴を再構成する。 本稿では,これらの制限を克服するグラフ検索拡張モード補完フレームワークであるGRE-MCを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:50:52Z)
• Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering [10.67474681549171]
  グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。 MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。 リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
  論文  参考訳（メタデータ） (2025-04-02T11:17:15Z)
• UniGraph2: Learning a Unified Embedding Space to Bind Multimodal Graphs [34.48393396390799]
  マルチモーダルグラフ上での汎用的な表現学習を可能にする新しいクロスドメイングラフ基盤モデルを提案する。 UniGraph2は、グラフニューラルネットワーク(GNN)と共にモダリティ固有のエンコーダを使用して、統一された低次元埋め込み空間を学習する。 我々は,UniGraph2が表現学習,伝達学習,マルチモーダル生成タスクなどのタスクにおいて,最先端モデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-02T14:04:53Z)
• 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)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• 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)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。