English(EN) To Learn is to Wander: Learning Across Graphs and Tasks with Random Walks

Wander：一种统一的图基础模型，用于跨任务和跨模态学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-07 04:00

研究人员推出了一种名为“Wander”的新型图基础模型，旨在实现跨不同图模态、特征空间、关系模式和预测任务的泛化。与先前仅限于特定图类型或任务的方法不同，Wander 使用基于随机游走（random walks）的统一接口。这使得单个预训练模型能够有效地处理同质图和多关系图，即使在特征和标签各不相同的情况下也能如此。实证表明，Wander 在节点分类、同质链接预测和知识图谱链接预测方面取得了最先进或极具竞争力的结果，展示了其在不同环境中转移学习和组合能力的能力。 AI

影响这项研究通过允许单个模型处理多样化的数据结构和任务，有望实现更通用、更高效的基于图的人工智能应用。

排序理由该集群包含一篇详细介绍新模型架构及其经验评估的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 7 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新模型架构及其经验评估的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Louis Tichelman, Xingyue Huang, Jinwoo Kim, \.Ismail \.Ilkan Ceylan · 2026-10-07 04:00

学习即漫游：通过随机游走进行图和任务的学习

arXiv:2610.06694v2 Announce Type: replace 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…

本文如何被排名

报道来源 [1]

学习即漫游：通过随机游走进行图和任务的学习

相关实体

相关话题