图基础模型相关 AI 资讯 · AI 热点

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 多模态图联邦学习语义码本图基础模型

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。

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 Prior-data Fitted Networks GNN

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。