从结构角度提升图基础模型
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种通用的图基础模型（GFM），通过理解图数据中的复杂拓扑模式，实现零样本图学习。提出了“图词汇表”概念，以应对跨结构模式的挑战。研究了无监督图结构学习（GSL）和自我监督预训练任务，提出UniGraph框架，结合图神经网络和大型语言模型，提升模型在未见图上的泛化能力。实验结果表明，该模型在多种图学习任务中表现优异。
❓
Q&A
什么是通用的图基础模型（GFM）？
通用的图基础模型（GFM）是一种能够在不同下游数据集上完成零样本图学习任务的模型，旨在概括不同图和任务。
文章中提到的“图词汇表”有什么作用？
“图词汇表”通过编码基本可转移单元的不变性，解决了跨结构模式图之间正向传递的挑战。
无监督图结构学习（GSL）是如何提升图学习有效性的？
无监督图结构学习（GSL）通过自我监督对比学习生成“锚图”目标，显著提升了图学习的有效性。
UniGraph框架的主要特点是什么？
UniGraph框架结合了文本属性图、图神经网络和大型语言模型，提升了模型在未见图上的泛化能力。
该模型在图学习任务中的表现如何？
该模型在自我监督表示学习、少样本上下文转移和零样本转移方面表现优异，超越或匹配了受监督训练的GNNs性能。
文章讨论了哪些潜在的研究方向？
文章讨论了图基础模型领域的潜在研究方向，包括对现有工作的综合概述和未来GFM设计的可能进展。
🏷️
