Core Concepts
GA2Eは、異なるグラフタスクに対応するための統一されたアプローチを提供し、タスク間の不一致を軽減し、モデルの効果を最大化します。
Abstract
グラフは実世界で普遍的であり、ノード、エッジ、グラフレベルのタスクから転移学習まで多岐にわたる。
"Pre-training + Fine-tuning"や"Pre-training + Prompt"パラダイムが統一されたフレームワークを目指す。
GA2Eは、各種グラフタスクに対処可能な統一された敵対的マスク付きオートエンコーダーを提案。
GA2Eはサブグラフをメタ構造として使用し、「生成してから識別」方式で操作することで堅牢なグラフ表現を確保。
Stats
最も優れた結果: 97.93±0.10, 97.76±0.38, 98.86±0.04, 97.47±0.20, 97.25±0.04, 99.06±0.02, 99.01±0.003
Quotes
"Graphs are ubiquitous in real-world scenarios and encompass a diverse range of tasks."
"Recent endeavors aim to design a unified framework capable of generalizing across multiple graph tasks."
"GA2E consistently performs well across various tasks, demonstrating its potential as an extensively applicable model for diverse graph tasks."