在黎曼图之图上学习图基础模型
机器学习
2026-05-12 v1
摘要
在海量图数据上预训练的图基础模型通过支持跨多样图任务和领域的通用推理，已经变革了图机器学习。现有的采用固定跳数子图采样预训练的 GFM 施加了固定的感受野，导致在多样任务上出现尺度不匹配，而这些任务通常需要固定采样尺度之外的异构且未知的结构上下文。我们提出 R-GFM，一种基于黎曼图之图的图基础模型，将结构尺度视为建模中的一等公民。R-GFM 在不同跳数距离上对子图进行过采样以构建多尺度 GoG，并从黎曼流形中学习几何自适应表示。理论分析表明，与固定尺度的 GFM 相比，R-GFM 降低了结构域泛化误差。在多个数据集上的实验表明，R-GFM 取得了 SOTA 的性能，在下游任务上相对提升最高达 49%。我们的代码可在 https://github.com/USTC-DataDarknessLab/R-GFM 获取。
引用
@article{arxiv.2605.09993,
title = {Learning Graph Foundation Models on Riemannian Graph-of-Graphs},
author = {Haokun Liu and Zezhong Ding and Xike Xie},
journal= {arXiv preprint arXiv:2605.09993},
year = {2026}
}
备注
This paper has been accepted by ICML 2026