学习就是漫游：通过随机游走跨图和任务学习

图基础模型旨在跨图、特征空间、关系模式和预测任务进行传输，但现有方法通常仅在特定的图模式或任务内进行概括。我们提出了 Wander，这是一种图形基础模型，旨在在单个预训练的检查点中跨这些设置进行操作。遵循先验预测的观点，我们将图学习表述为部分观察图的完成。我们通过基于随机游走的通用接口来实现这个任务总体视图，允许同一模型在具有不同特征、标签和关系模式的同质和多关系图上运行。 Wander 可以在推理时增加其结构上下文，而无需更改其学习的参数，并且在适当的假设下，普遍逼近有界连通图上相应的贝叶斯最优预测器。根据经验，单个预训练的检查点在节点分类、同质链接预测和知识图链接预测方面实现了最先进或极具竞争力的结果。此外，跨图模式和任务的联合预训练可以保留专门设置中的性能，同时在推理时实现积极迁移和单独学习能力的组合。