超越特征和结构对齐：学习图基础模型的可转移传播知识

图基础模型（GFM）最近已成为实现跨不同领域知识转移的有前途的范例。与通常为域内设置而设计的传统图学习方法不同，GFM 旨在学习可以泛化到看不见的图域的可转移知识。然而，与语言或视觉数据不同，图缺乏内在和统一的表示单元，例如语言中的标记和视觉中的补丁，这使得识别用于构建图基础模型的可转移知识单元变得具有挑战性。现有的图基础模型主要侧重于通过特征对齐和结构对齐来减轻领域差异，而忽视了对图数据底层可转移知识单元的探索。此外，这些方法通常在消息传递期间依赖于固定的传播机制，忽略了传播模式的异质性，因为不同的边缘可能针对不同的特征维度表现出不同的传播模式。为了解决这些限制，我们提出了一种传播感知图基础模型（ProGFM），它将边和特征维度之间的传播关系视为可转移的知识单元。通过传播关系原型库，ProGFM 学习跨域可传递的传播知识，从而实现看不见的图域中的自适应信息聚合。跨各种跨域迁移场景的大量实验表明，ProGFM 具有强大的跨域知识迁移能力，并且与现有方法相比表现出优越的泛化性能。