实体
Graph Foundation Model
Graph Foundation Model
PulseAugur coverage of Graph Foundation Model — every cluster mentioning Graph Foundation Model across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
图基础模型将LLM范式应用于优化问题
研究人员推出了一种名为图基础模型（GFM）的新型框架，旨在解决图结构上的基于距离的优化问题。通过借鉴大型语言模型中使用的自监督预训练范式，GFM从图路径中学习可泛化的表示。这种方法使GFM能够内化图的组合规则，从而能够以具有竞争力的性能和比专用求解器快得多的推理时间来应对各种优化挑战。
-
新方法使用可学习图块进行通用预训练模型
研究人员提出了一种新颖的方法来解决图数据中的特征异质性问题，这一问题限制了图模型的迁移能力。所提出的方法，称为可学习图块，将图分解为其最小的语义单元。设计了一个框架，使用图块编码器从这些图块中提取知识，然后将其与图块聚合器结合，从而实现领域无关的预训练并提高各种下游任务的性能。
-
Mochi模型对齐预训练与推理，实现高效图基础模型
研究人员推出了一种新颖的图基础模型 Mochi，该模型采用元学习框架来增强任务统一性和训练效率。与依赖单独对齐步骤的先前方法不同，Mochi 在直接模拟下游评估协议的少样本（few-shot）试验上进行预训练。这种方法将训练目标与推理对齐，与现有模型相比，可带来更高的性能和显著缩短的训练时间。