AITOP

图基础模型

共 4 条相关 AI 资讯
7月29日
11:57
11:57官方账号arXiv cs.AI@Ankang Yang, Jitao Zhao, Di Jin, Yuxiao Huang, Dongxiao He
CHARM是一种多模态图基础模型，通过分层上下文建模解决零样本迁移问题。它用层次化图上下文替代孤立原始节点，捕捉多模态语义和跨模态关系。在多个零样本多模态图任务上，CHARM取得一致改进。
论文CHARM多模态图基础模型
推荐理由：这篇论文提出了CHARM，用分层上下文建模多模态图，不需要目标域微调就能零样本迁移，比现有GNN和LLM方法更通用。
原文
7月21日
09:59
7月1日
11:07
11:07官方账号arXiv cs.LG@Zekai Chen, Kairui Yang, Xuaner Chen, Xunkai Li, Xun Wu, Rong-Hua Li, Guoren Wang
FedLAB提出了一种可追溯的语义码本框架，用于联邦多模态图基础学习。该框架将多模态图知识组织为类型化的分层码本，涵盖模态证据、节点语义和拓扑上下文。通过联邦语义质心预训练优化可追溯单元，同时保持原始多模态内容和图结构本地化。在10个基准和6个下游任务上，FedLAB相对现有方法提升最高7.53%。
论文FedLAB多模态图联邦学习
推荐理由：这篇论文提出了FedLAB，用可追溯码本处理联邦多模态图学习的隐私问题，10个基准上最多提升了7.53%，很扎实的研究。
原文
6月24日
11:41
11:41官方账号arXiv cs.LG@Oleg Platonov, Gleb Bazhenov, Dmitry Eremeev, Liudmila Prokhorenkova
该研究对9种最新的图基础模型（GFM）在节点属性预测任务上进行了重新评估，并与强基线图神经网络（GNN）比较。只有基于Prior-data Fitted Networks范式的最新型GFM在预测性能上超越调优后的GNN，但推理成本更高。不同论文因评测设置差异导致结果难以直接对比，本研究提供了统一的公平比较框架。
论文图基础模型Graph Foundation Models节点属性预测
推荐理由：这篇论文帮你打破了GNN和GFM的迷雾：实测9个模型，发现只有Prior-data Fitted Networks那类才真能打，但代价是推理更慢。想搞清楚哪些图模型值得用就看它。
原文