SPR：通过谱模式和关系几何实现可转移图认知的图基础模型

最近，图基础模型（GFM）因其在不同图上学习统一和可概括的知识的潜力而受到越来越多的关注，从而支持广泛的图场景。然而，与自然语言和图像不同，图形缺乏直观且统一的形式来感知和组织可转移的知识。因此，尽管进行了许多初步探索，但一个关键问题仍未解决：图的可迁移认知机制。现有的 GFM 通常依赖于直观定义的机制来编码可转移的图模式，例如手工制作的结构模板（例如循环和树）、固定传播机制和预定义的随机游走模式。这些机制通常是规定性的和僵化的，限制了它们灵活地表征跨领域的不同图形模式的能力。这激发了对更灵活、图本机和可转移的认知机制的探索。为此，我们从光谱角度分析图并提出SPR。 SPR 将图信息分解为切比雪夫多项式基并学习共享的光谱响应，从而实现对跨图连续变化的光谱模式的统一且自适应的认知。我们进一步对跨图关系几何进行建模，以从多个图中提取重复出现的成对组织，为跨域传输此类图认知提供共享的关系参考。跨不同图和下游场景的大量实验表明，SPR 能够实现有效且可转移的图认知。