迈向多标签图基础模型：从单向量表示学习到多语义基础学习

摘要

arXiv:2608.06394v1 Announce Type: new Abstract: Multi-label node classification is an important yet challenging task in graph learning, where nodes exhibit multiple semantics simultaneously. Existing ...

label domain multiple for multi semantic node graph the and

2026-08-10 1 阅读约1分钟阅读 Dongxiao He, Jiayu Zhang, Jitao Zhao, Yi Wang, Di Jin

arXiv:2608.06394v1 公告类型：新摘要：多标签节点分类是图学习中一项重要但具有挑战性的任务，其中节点同时表现出多种语义。现有的多标签节点分类方法可以有效地对多个标签进行建模，但仅考虑模型需要在同一图域内进行训练和测试的域内场景，导致跨域泛化能力有限。最近，图基础模型（GFM）已成为学习跨不同图域和下游任务的可转移图表示的有前途的范例。然而，现有的 GFM 是建立在单标签假设之上的，其中所有节点都被任意视为仅包含一类语义并嵌入到单个表示中。对于多标签节点，这种表示本质上是用表示空间中的一个点来近似多个语义，不可避免地导致语义纠缠，使得同时区分多个标签变得困难。为了解决这些限制，我们提出了多语义基础图基础模型（MSB-GFM），这是一种跨域多标签节点分类的框架。具体来说，我们引入了一种多语义基础表示学习范式，将每个多标签节点建模为语义基础的自适应组合，从而为建模多个语义提供了灵活的表示能力。此外，我们开发了一种语义结构双通道架构，具有领域对抗训练，可实现有效的跨领域知识转移。大量的实验证明了我们模型的有效性。

订阅66必读