研究人员推出了一种新颖的图基础模型 SliGFM，旨在解决跨不同图域统一异构节点特征的挑战。该模型基于形式统一性、跨域可迁移性、信息保持和骨干兼容性等原则构建。SliGFM 采用拓扑感知的滑动窗口特征编码和生成式重建方法，将各种节点特征转换为有序特征令牌的通用空间，从而捕获可迁移的关系模式并保留原始信息。 AI
影响 通过改进特征统一，这项研究有望在各种数据集上实现更强大、更具泛化性的图学习。
排序理由 该集群包含一篇详细介绍新模型及其原理的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.27966v1 Announce Type: new Abstract: Graph Foundation Models (GFMs) have recently emerged as a promising paradigm for general-purpose graph learning, aiming to learn reusable knowledge that generalizes across diverse graph domains and downstream tasks, reducing the nee…
Graph Foundation Models (GFMs) have recently emerged as a promising paradigm for general-purpose graph learning, aiming to learn reusable knowledge that generalizes across diverse graph domains and downstream tasks, reducing the need for specific model development. Achieving this…