GFT

用树形词汇表让图模型学会跨数据集迁移，省去重复训练

GFT（Graph Foundation Model）是一个基于图神经网络的基础模型，旨在解决图结构数据上的迁移学习问题。它通过构建可迁移的树形词汇表（Transferable Tree Vocabulary）来统一不同图数据集上的结构模式，使得模型能够在多个图数据集上预训练后，直接适配到新的下游任务（如节点分类、图分类等），而无需重新训练。GFT的核心能力包括：1）从大规模图数据中学习通用的结构表示；2）通过树形词汇表将图结构编码为离散符号，增强模型的可解释性和泛化性；3）支持跨数据集、跨任务的零样本或少样本迁移。该工作发表于NeurIPS 2024，代码开源，主要面向图机器学习研究者和需要处理多源图数据的工程师。