论文阅读——One for All: Towards Training One Graph Model for All Classification Tasks

发表于 更新于 分类于 ， ， 本文字数： 727 阅读时长 ≈ 1 分钟

论文概况

题目：One for All: Towards Training One Graph Model for All Classification Tasks

通讯作者：Muhan Zhang： muhan@pku.edu.cn

作者院校：华盛顿大学，南洋理工大学，北京大学

发表于：ICLR 2024

代码仓库：LechengKong/OneForAll: A fundational graph learning framework that solves cross-domain/cross-task classification problems using one model.

论文内容

概括总结

图学习领域有三大挑战：1 不同领域的图数据具有异质属性且服从不同分布；2 图任务可分为节点级、边级和图级任务，具有不同嵌入策略；3 适用于情境学习的图提示范式尚未明确。

文章提出OFA框架作为解决上述挑战的通用方案：OFA通过自然语言描述节点和边构建文本属性图，将异质图数据统一表征，并利用语言模型将跨领域的文本属性编码至同一嵌入空间。

OFA提出”目标节点”概念，用统一的任务表征范式标准化不同图任务，并针对图情境学习设计新型图提示范式。

image-20250805200733065

OFA使用LLM将文本编码到同一嵌入空间以消除领域差异，然后定义兴趣节点来处理不同层级任务，兴趣节点与兴趣提示节点相连，兴趣提示节点与类别节点相连，形成 “输入图 + 提示子图” 的混合图，然后通过图模型输出类别节点的嵌入。

问题

目前仅支持分类任务，无法处理回归任务，且跨域知识迁移存在局限。

方法将原始图转换为了语言来描述，存在损失。