Graph Foundation Models
PulseAugur coverage of Graph Foundation Models — every cluster mentioning Graph Foundation Models across labs, papers, and developer communities, ranked by signal.
6 天有情绪数据
-
New framework enables Graph Foundation Models for network dynamics
Researchers have introduced a new framework for Graph Foundation Models (GFMs) designed to handle network dynamics across different systems. Their approach, demonstrated by a model called ts-net, shows zero-shot general…
-
新框架揭示关系学习模型中依赖于几何的性能
研究人员引入了一个新的关系学习模型评估框架，超越了对不同数据集平均性能的标准化排行榜。这种新方法根据数据集的几何特性对其进行分层，揭示了模型性能在很大程度上取决于这些内在几何特性。该研究评估了包括 GCN 和 GFM 在内的 18 个模型，跨越 14 个数据集，发现排名在不同的曲率范围内显著变化，这表明一些先进模型在特定的几何环境中可能收益递减。
-
新理论量化图模型适应性，提出消息调优
研究人员引入了棱镜空间理论（PS-Theory）来量化用于图基础模型（GFMs）的适应性能力。该框架为图提示调优（一种基于GNN的GFMs的常用适应技术）设定了上限。在此理论基础上，他们开发了用于GFMs的消息调优（MTG），一种通过将可学习的消息原型注入GNN层来增强适应性的轻量级方法。实验表明，MTG优于图提示调优基线，验证了理论发现。
-
新的 HyRAG 框架提升图模型泛化能力
研究人员开发了一个名为双曲检索增强生成 (HyRAG) 的新框架，以提高图基础模型 (GFM) 的泛化能力。现有的 RAG 方法在处理树状知识库时，由于欧几里得空间的几何限制而难以克服，导致语义粒度损失。HyRAG 通过在双曲空间中建模知识来解决这个问题，从而实现多粒度检索和有效的知识集成，以完成图任务。实验表明，零样本性能得到显著提升，增强了 GFM 的鲁棒性。
-
新研究推动图表示学习和Shapley值计算
研究人员正在开发先进的图表示学习方法，重点是提高泛化能力和效率。SPG等新模型旨在解析光谱响应，并使用原型引导传播进行跨图迁移。TIDFormer通过有效建模时态和交互动态来增强动态图Transformer。此外，正在探索TN-SHAP-G和其他张量网络方法，以有效地计算图结构数据的Shapley值和交互，解决了传统方法的扩展性问题。
-
新的图基础模型学习多尺度表示
研究人员推出了一种新颖的图基础模型 R-GFM，该模型利用黎曼图之图方法来解决现有模型的局限性。与使用固定跳子图采样的先前方法不同，R-GFM 将结构尺度作为主要元素进行建模，构建多尺度图并从黎曼流形中学习表示。据报道，这种新架构可减少结构域泛化误差，并在下游任务上取得了最先进的性能，相对提高了 49%。
-
新的图模型诊断方法评估结构学习与节点特征
研究人员引入了一种使用图不变性的图基础模型新诊断框架。该方法旨在在基准评估中区分节点特征与图结构的影响。所提出的基于不变性的模型在26个数据集上的表现与现有的Transformer和消息传递基线模型相当，有时甚至更优，这表明在某些任务中，结构代理与训练模型一样有效。