論文の概要: To Learn is to Wander: Learning Across Graphs and Tasks with Random Walks

• arxiv url: http://arxiv.org/abs/2610.06694v2
• Date: Tue, 06 Oct 2026 11:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 12:27:30.938929
• Title: To Learn is to Wander: Learning Across Graphs and Tasks with Random Walks
• Title（参考訳）: Wanderに学ぶ - ランダムウォークによるグラフとタスクの横断的学習
• Abstract要約: グラフ基盤モデルは、グラフ、特徴空間、リレーショナルスキーマ、予測タスクを渡すことを目的としている。 We propose Wander, a graph foundation model, designed to operation across these settings in a single pretrained checkpoint。 ランダムウォークに基づく共通インタフェースにより,このタスク・ジェネラル・ビューを実現する。
• 参考スコア（独自算出の注目度）: 17.69609468147633
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph foundation models aim to transfer across graphs, feature spaces, relational schemas, and prediction tasks, yet existing approaches typically generalize only within particular graph modalities or tasks. We propose Wander, a graph foundation model designed to operate across these settings within a single pretrained checkpoint. Following the prior-predictive perspective, we formulate graph learning as completion of a partially observed graph. We realize this task-general view through a common interface based on random walks, allowing the same model to operate across homogeneous and multi-relational graphs with varying features, labels, and relational schemas. Wander can increase its structural context at inference time without changing its learned parameters and, under suitable assumptions, universally approximates the corresponding Bayes-optimal predictor on bounded connected graphs. Empirically, a single pretrained checkpoint achieves state-of-the-art or highly competitive results across node classification, homogeneous link prediction, and knowledge-graph link prediction. Moreover, joint pretraining across graph modalities and tasks preserves performance in specialized settings while enabling positive transfer and the composition of separately learned capabilities at inference time.
• Abstract（参考訳）: グラフ基盤モデルは、グラフ、特徴空間、リレーショナルスキーマ、予測タスク間の転送を目標としているが、既存のアプローチは通常、特定のグラフのモダリティやタスク内でのみ一般化される。 We propose Wander, a graph foundation model, designed to operation across these settings in a single pretrained checkpoint。 事前予測的な観点から、部分的に観察されたグラフの完成としてグラフ学習を定式化する。 このタスク・ジェネラル・ビューは、ランダムウォークに基づく共通インタフェースを通じて実現され、同じモデルで様々な特徴、ラベル、リレーショナル・スキーマを持つ同質および多重関係グラフをまたいで動作することが可能となる。 ワンダーは、学習したパラメータを変更することなく、推論時に構造的コンテキストを増大させ、適切な仮定の下では、有界連結グラフ上の対応するベイズ最適予測器を普遍的に近似することができる。 実証的に、1つの事前訓練されたチェックポイントは、ノード分類、均質リンク予測、知識グラフリンク予測を含む最先端または高い競争結果を達成する。 さらに、グラフのモダリティやタスクを横断する共同事前学習は、特定の設定におけるパフォーマンスを保ちつつ、正の転送と推論時の個別の学習能力の構成を可能にしている。

関連論文リスト

• 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)
• Universal Graph Continual Learning [22.010954622073598]
  タスクの各データポイントがノードかグラフになり得る普遍的なアプローチに注目し、タスクはノードからグラフの分類まで様々である。 本稿では,この普遍的な設定において,グラフニューラルネットワークが優れる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T01:19:19Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。