論文の概要: Versatile Graph Foundation Models from Frozen Time-Series Foundation Models via Parallel Flows

• arxiv url: http://arxiv.org/abs/2611.00670v1
• Date: Sat, 31 Oct 2026 06:08:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:04:30.157815
• Title: Versatile Graph Foundation Models from Frozen Time-Series Foundation Models via Parallel Flows
• Title（参考訳）: 並列流れによる凍結時間系列基礎モデルからのバーサタイルグラフ基礎モデル
• Abstract要約: 凍結した時系列基礎モデルは,グラフ事前学習なしでグラフ基礎モデルとして機能することを示す。 グラフを並列フローに分解するグラフFlowFMを提案する。 2025年と2026年に発表されたグラフ基盤モデルの中で、21のデータセットの平均ランクを達成している。
• 参考スコア（独自算出の注目度）: 16.558258780963065
• License:
• Abstract: Graph foundation models aim to serve unseen graphs across tasks, feature spaces, and label sets. Most current models learn how to represent a new graph by pre-training on other graphs. Because graph data are scarce and differ across domains in features and structures, what they learn may not transfer to a graph from an unseen domain. We show that a frozen time-series foundation model, pre-trained on abundant time series, can instead serve as a graph foundation model without graph pre-training and without any gradient update on the target graph. Such a model reads ordered multivariate sequences, but a graph has no time axis, and covering all its edges with sequences is nontrivial because a node can have many neighbors. We therefore propose GraphFlowFM, which decomposes a graph into parallel flows, sets of vertex-disjoint paths that jointly cover every edge, and reads each path as a multivariate time series with the nodes as time steps. A frozen TimesFM encodes the paths with causal attention, which gives each node a self token and a context token, and a closed-form ridge readout weighs these tokens by their alignment with the labels. In node classification, GraphFlowFM attains the best average rank on 21 datasets among graph foundation models published in 2025 and 2026, ranks first on 17 datasets, and leads on six of the seven heterophilous datasets. It also exceeds pre-trained graph foundation models in link prediction on all six datasets and ranks second in molecule classification, behind only a model fine-tuned after pre-training on molecules.
• Abstract（参考訳）: グラフ基盤モデルは、タスク、フィーチャースペース、ラベルセットに見えないグラフを提供することを目的としている。 現在のほとんどのモデルは、他のグラフで事前学習することで、新しいグラフの表現方法を学ぶ。 グラフデータは、機能や構造においてドメイン間でほとんどなく、異なるため、彼らが学んだことは、目に見えないドメインからグラフに転送されない可能性がある。 凍結した時系列基礎モデルは、豊富な時系列に基づいて事前訓練され、グラフ事前学習や対象グラフの勾配更新なしにグラフ基礎モデルとして機能することを示す。 そのようなモデルは順序付き多変量列を読み取るが、グラフは時間軸を持たず、全てのエッジを列で覆うことは、ノードが多くの近傍を持つことができるため、自明ではない。 そこで本稿では,グラフを並列フローに分解するグラフFlowFMと,各エッジを連続的にカバーする頂点不連続経路のセットを提案し,各パスを時間ステップとして,ノードを多変量時系列として読み取る。 凍結されたTimesFMは因果注意で経路を符号化し、各ノードにセルフトークンとコンテクストトークンを与え、クローズドフォームのリッジ読み出しはラベルとのアライメントによってこれらのトークンを重み付けする。 ノード分類において、GraphFlowFMは、2025年と2026年に発行されたグラフ基盤モデルのうち、21のデータセットで最高のランクを獲得し、17のデータセットで1位となり、7つの異種データセットのうち6つに導かれる。 また、6つのデータセットのリンク予測において事前学習されたグラフ基礎モデルを超え、分子の分類では第2位にランクインする。

関連論文リスト

• Towards One-for-All Foundation Model for Attributed Graph Clustering [14.135776029457972]
  属性グラフクラスタリングの基礎モデルOFAGを提案する。 OFAGは、合成属性グラフから再利用可能なクラスタリング推論戦略を学ぶ。 OFAGは、NMI、ACC、ARI、F1データセット全体で最高の平均パフォーマンスと平均ランクを達成する。
  論文  参考訳（メタデータ） (2026-10-06T05:13:38Z)
• Message Passing Does More with Less for In-Context Learning on Graphs [31.05167488649796]
  スパースメッセージパッシング上に構築された新しいグラフ・イン・コンテキスト学習ツールであるEphrisを紹介する。 51ノード分類データセットのEphrisを、15の広範囲に調整されたGNNと既存のグラフICL法に対して評価した。 推論コストは、以前のグラフICLモデルよりも10倍以上高速で、1つのGNNのトレーニングに匹敵する。
  論文  参考訳（メタデータ） (2026-09-29T08:59:16Z)
• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• GraphPFN: A Prior-Data Fitted Graph Foundation Model [27.47522328312435]
  大規模データセットで事前訓練された基礎モデルは、自然言語処理やコンピュータビジョンといった分野に変化をもたらした。 ノードレベルの予測のための事前データ付きネットワークであるGraphPFNを提案する。 最大50,000ノードのさまざまな実世界のグラフデータセットでは、GraphPFNは、微調整後の強いコンテキスト内学習のパフォーマンスと最先端の結果を示している。
  論文  参考訳（メタデータ） (2025-09-25T19:47:49Z)
• One for All: Towards Training One Graph Model for All Classification Tasks [61.656962278497225]
  様々なグラフタスクの統一モデルは、主にグラフ学習領域に固有の課題のために、まだ探索されていない。 上記の課題に対処するために単一のグラフモデルを使用できる最初の汎用フレームワークである textbfOne for All (OFA) を提案する。 OFAは様々なタスクでうまく機能し、グラフ上の最初の汎用のクロスドメイン分類モデルとなる。
  論文  参考訳（メタデータ） (2023-09-29T21:15:26Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph Generation [13.956691231452336]
  ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。 新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。 GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
  論文  参考訳（メタデータ） (2021-07-18T09:26:10Z)
• Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
  グラフ生成モデルはグラフ上の分布を定義する。 グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。 我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
  論文  参考訳（メタデータ） (2021-06-11T06:37:52Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。