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

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。