学习即漫游：通过随机游走实现跨图与跨任务学习
To Learn is to Wander: Learning Across Graphs and Tasks with Random Walks
精选理由
提出统一图基础模型，借助随机游走跨图结构与任务迁移，并在多类预测基准中表现领先。
AI 摘要
arXiv:2610.06694v2 公告类型：替换 摘要：图基础模型旨在实现跨图、跨特征空间、跨关系模式和跨预测任务的迁移，但现有方法通常只能在特定图模态或任务内泛化。我们提出 Wander，这是一种图基础模型，旨在仅凭单个预训练检查点即可适用于上述各类场景。遵循先验预测视角，我们将图学习表述为对部分观测图的补全。我们通过基于随机游走的统一接口实现这一任务通用视角，使同一模型能够处理具有不同特征、标签和关系模式的同质图与多关系图。Wander 能够在推理时扩展其结构上下文，而无需改变已学习的参数；在适当假设下，它还能够在有界连通图上通用逼近相应的贝叶斯最优预测器。实验表明，单个预训练检查点在节点分类、同质图链接预测和知识图谱链接预测任务中均取得了最先进或极具竞争力的结果。此外，跨图模态和跨任务的联合预训练既能保持模型在专门场景中的性能，又能实现正迁移，并在推理时组合分别学得的能力。