将图引入表格：基于表格基础模型的零样本节点分类
机器学习
2025-10-10 v2
摘要
图基础模型（GFM）最近已成为在各种图数据上实现广泛泛化的有前途的范式。然而，现有的 GFM 通常在可能无法完全反映真实世界图的数据集上进行训练，限制了其泛化性能。相比之下，表格基础模型（TFM）不仅在经典表格预测任务中表现出色，而且在时间序列预测、自然语言处理和计算机视觉等其他领域也显示出强大的适用性。受此启发，我们对 GFM 的标准视角采取了另一种观点，并将节点分类重新表述为表格问题。在这种重新表述中，每个节点被表示为一行，特征、结构和标签信息作为列，使 TFM 能够通过上下文学习直接执行零样本节点分类。在这项工作中，我们引入了 TAG，这是一种用于图学习的表格方法，它首先通过特征和结构编码器将图转换为表格，将多个 TFM 应用于多样化采样的表格，然后通过集成选择聚合其输出。在 28 个真实世界数据集上的实验表明，TAG 持续改进了特定任务的 GNN 和最先进的 GFM，突显了表格重新表述在可扩展和可泛化图学习中的潜力。
引用
@article{arxiv.2509.07143,
title = {Bringing Graphs to the Table: Zero-shot Node Classification via Tabular Foundation Models},
author = {Adrian Hayler and Xingyue Huang and İsmail İlkan Ceylan and Michael Bronstein and Ben Finkelshtein},
journal= {arXiv preprint arXiv:2509.07143},
year = {2025}
}