全方位对称处处皆可：图基石模型的配方
机器学习
2025-10-29 v5 社会与信息网络
机器学习
摘要
图机器学习架构通常针对特定数据集上的特定任务进行定制，这限制了其更广泛的适用性。这导致图机器学习中的一个新热点：如何构建能够对任意图和特征进行泛化的图基石模型？本文从原理出发，提出了一种设计图基石模型的配方，用于节点级任务。我们的研究的关键要素是系统性地调查图基石模型必须尊重的对称性。在简言中，我们认为，除了在图的每个局部邻域上对节点进行置换等变性之外，标签置换等变性和特征置换不变性也是必需的。为此，我们首先描述了对节点置换等变、标签置换等变、特征置换不变的线性变换空间。随后，我们证明了所得网络是对尊重上述对称性的多集的通用逼近器。在我们的配方中，我们使用图局部邻域所诱导出的特征多集上的此类层，以获得一种用于节点属性预测的图基石模型类。我们通过在29个真实世界的节点分类数据集上进行大量实验，证明了我们方法的零样图表现强劲，并且随着训练图数量的增加而持续改进。
引用
@article{arxiv.2506.14291,
title = {Equivariance Everywhere All At Once: A Recipe for Graph Foundation Models},
author = {Ben Finkelshtein and İsmail İlkan Ceylan and Michael Bronstein and Ron Levie},
journal= {arXiv preprint arXiv:2506.14291},
year = {2025}
}