A Survey on Self-Supervised Graph Foundation Models: Knowledge-Based Perspective

doi:10.1109/TKDE.2025.3568147

A Survey on Self-Supervised Graph Foundation Models: Knowledge-Based Perspective

2025-08-01

0

PRE

AI

DOI：10.1109/TKDE.2025.3568147

原文链接

原文求助

摘要

En 中文

图基础模型（GFMs）领域近年来受到了广泛关注。人们认为，其强大的泛化能力源于自监督预训练和下游微调技术。图数据中嵌入着多种多样的知识模式，如节点属性和聚类，这些对于GFMs学习通用表示至关重要。本文从新颖的知识视角全面综述了自监督GFMs。我们的主要贡献是一个基于知识的分类体系，该体系根据所利用的特定图知识对自监督图模型进行分类：微观（节点、连接等）、介观（上下文、聚类等）和宏观（全局结构、流形等）。该分类体系涵盖了自监督预训练及各种下游微调策略的9个知识类别和300篇参考文献。这种基于知识的分类体系使我们能够更清晰地重新审视潜在的GFM架构，包括大型语言模型（LLMs），并为构建未来的GFMs提供更深入的见解。

Keyword:

Graph foundation models

self-supervised learning

pre-training

graph neural networks

large language models

A Survey on Self-Supervised Graph Foundation Models: Knowledge-Based Perspective

摘要

期刊

机构