TFMLinker：基于表格基石模型进行通用链接预测
机器学习
2026-02-10 v1
摘要
链接预测是图机器学习中的基础任务，广泛应用于推荐系统、药物发现、知识图谱等领域。在基石模型时代，如何跨数据集和领域开发通用链接预测方法成为关键问题，已有初步尝试采用图基石模型，通过图神经网络和大语言模型实现。然而，现有方法面临显著局限，包括预训练规模有限或对文本信息依赖过重。受表格基石模型（TFMs）在多样化表格数据集上实现通用预测成功的启发，我们探索一种基于TFMs的方法，这些模型在结构因果模型上采样的多样化合成数据集上进行预训练，支持独立于文本属性的强上下文学习能力。然而，将TFMs应用于链接预测面临严重技术挑战，如如何获取必要的上下文以及捕获链接中心拓扑信息。为解决这些挑战，我们提出TFMLinker（Tabular Foundation Model for Link Predictor），旨在利用TFMs的上下文学习能力，在无需数据集特定微调的情况下进行跨图链接预测。具体而言，我们首先开发原型增强的局部-全局上下文模块，以构建捕获图特定模式和跨图可迁移模式的上下文。接着，我们设计通用拓扑感知链接编码器，以捕获链接中心的拓扑信息并生成链接表示作为TFM的输入。最后，我们采用TFM通过上下文学习进行链接存在预测。实验在6个跨域图基准数据集上表明，我们的方法在无需数据集特定微调的情况下优于最先进的基线方法。
引用
@article{arxiv.2602.08592,
title = {TFMLinker: Universal Link Predictor by Graph In-Context Learning with Tabular Foundation Models},
author = {Tianyin Liao and Chunyu Hu and Yicheng Sui and Xingxuan Zhang and Peng Cui and Jianxin Li and Ziwei Zhang},
journal= {arXiv preprint arXiv:2602.08592},
year = {2026}
}