将表格基础模型转化为图基础模型
机器学习
2025-09-24 v2
摘要
尽管基础模型在自然语言处理和计算机视觉等领域取得了革命性进展，但其在图机器学习中的潜力仍未得到充分探索。设计图基础模型（GFMs）的关键挑战之一是处理来自不同图数据集的多样化节点特征。虽然许多关于 GFMs 的工作仅关注文本属性图，但处理 GFMs 中其他类型特征的任意特征的问题尚未得到充分解决。然而，这一问题并非图领域独有， tabular 数据机器学习领域也面临类似挑战。本文灵感来自近期表格基础模型（TFMs）如 TabPFNv2 或 LimiX 的成功，提出 G2T-FM，一个将表格基础模型转化为图基础模型的简单框架。具体而言，G2T-FM 将原始节点特征与邻域特征聚合augmenting 起来，添加结构嵌入，然后对构建的节点表示应用 TFM。即便在完全 in-context 场景下，我们的模型也取得了强劲的性能，显著优于公开可得的 GFMs，并与经过精细调优的 GNN 相竞争，甚至往往表现更好。此外，在微调后，G2T-FM 超过了经过精细调优的 GNN 基线。特别是，当与 LimiX 结合使用时，G2T-FM 常常超过最佳 GNN。总之，我们的论文揭示了利用表格基础模型解决图机器学习任务的潜在方向。
引用
@article{arxiv.2508.20906,
title = {Turning Tabular Foundation Models into Graph Foundation Models},
author = {Dmitry Eremeev and Gleb Bazhenov and Oleg Platonov and Artem Babenko and Liudmila Prokhorenkova},
journal= {arXiv preprint arXiv:2508.20906},
year = {2025}
}