面向增强鲁性图基模型的结构感知语义增强 (SA²GFM)
机器学习
2026-03-11 v3
摘要
我们提出了图基模型 (GFM)，其在various任务中取得了显著进展，但针对域噪声、结构扰动和对抗性攻击的鲁性仍未得到充分探索。关键局限在于对层次结构语义的建模不足，这对于泛化至关重要。本文提出SA²GFM框架，通过结构感知语义增强提升域适应表示。首先，我们通过将熵基编码树转化为结构感知文本提示，对层次结构先验进行编码以实现特征增强。经增强输入处理的自监督信息瓶颈机制，通过结构引导压缩提炼出鲁性、可迁移的表示。为解决跨域适应中的负迁移，我们引入专家自适应路由机制，将混合专家架构与空专家设计相结合。为实现高效下游适应，我们提出的微调模块通过联合内社区和社区间结构学习来优化层次结构。大量实验表明，SA²GFM在节点和图分类任务中，相较于9个最先进基线方法，在有效性和针对随机噪声和对抗性扰动的鲁性方面均表现出优异性能。
引用
@article{arxiv.2512.07857,
title = {SA$^{2}$GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation},
author = {Junhua Shi and Qingyun Sun and Haonan Yuan and Xingcheng Fu},
journal= {arXiv preprint arXiv:2512.07857},
year = {2026}
}