图学习的通用分类器

虽然基础模型通过利用通用词汇彻底改变了自然语言处理和计算机视觉，但由于跨不同领域缺乏统一的特征和结构表示，图机器学习 (GML) 仍然支离破碎。声称是图基础模型（GFM）的现有作品通常仅限于节点级预测或需要固定的特征维度，无法为全谱图学习应用提供真正的任务无关的主干。在本文中，我们介绍了通用分类器（UC），它支持任意特征和类基数，在单个基于相似性的分类目标下统一节点、边缘和图级目标。 UC 将所有节点、边缘和图级预测任务重新表述为最大化潜在空间中的相似性：通过将异构特征和标签提升为 3D 潜在张量，模型学习独立于特定输入模式的可转移特征。该架构允许单个预训练模型泛化到具有不同特征语义的未见图上的节点分类、节点回归和链接预测。实验表明，跨节点、链路和图级别任务具有强大的零样本传输性能。