图基础模型的分布外概况
机器学习
2026-01-30 v1
摘要
图是表示关系信息的数据结构，广泛用于社交网络、分子系统和知识图等领域。然而，图学习模型在应用超出其训练分布时常常表现有限。实际情况下，分布偏移可能源于图结构、域语义、可用模态性或任务形式的变化。为应对这些挑战，近期涌现出图基础模型（GFMs），旨在通过在多样化图和任务上的大规模预训练来学习通用表征。本综述从分布外（OOD）概况的角度审视了GFMs的最新进展。我们首先讨论了分布偏移在图学习中所提出的主要挑战，并概述了统一的问题设置。随后，我们依据其是旨在固定任务规范下运行，还是支持异构任务形式之间的概况来组织现有方法，并总结相应的OOD处理策略和预训练目标。最后，我们回顾了常见的评估协议并讨论了未来研究的开放方向。据我们所知，本文是首篇针对GFMs中分布外概况的综述。
引用
@article{arxiv.2601.21067,
title = {Out-of-Distribution Generalization in Graph Foundation Models},
author = {Haoyang Li and Haibo Chen and Xin Wang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2601.21067},
year = {2026}
}