Buchumschlag

Riemannian Geometry Speaks Louder Than Words: From Graph Foundation Model to Next-Generation Graph Intelligence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yu, Philip S., Sun, Li
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

RiemannGL: Riemannian Geometry Changes Graph Deep Learning
von: Sun, Li, et al.
Veröffentlicht: (2026)

Toward a Unified Geometry Understanding: Riemannian Diffusion Framework for Graph Generation and Prediction
von: Gao, Yisen, et al.
Veröffentlicht: (2025)

Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models
von: Yuan, Haonan, et al.
Veröffentlicht: (2026)

Deeper with Riemannian Geometry: Overcoming Oversmoothing and Oversquashing for Graph Foundation Models
von: Sun, Li, et al.
Veröffentlicht: (2025)

Generative Urban Flow Modeling: From Geometry to Airflow with Graph Diffusion
von: Giral, Francisco, et al.
Veröffentlicht: (2025)

GraphProp: Training the Graph Foundation Models using Graph Properties
von: Sun, Ziheng, et al.
Veröffentlicht: (2025)

Towards Graph Foundation Models: Training on Knowledge Graphs Enables Transferability to General Graphs
von: Wang, Kai, et al.
Veröffentlicht: (2024)

Spectro-Riemannian Graph Neural Networks
von: Grover, Karish, et al.
Veröffentlicht: (2025)

AnyGraph: Graph Foundation Model in the Wild
von: Xia, Lianghao, et al.
Veröffentlicht: (2024)

Zero-shot Generalizable Graph Anomaly Detection with Mixture of Riemannian Experts
von: Zhao, Xinyu, et al.
Veröffentlicht: (2026)

RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation
von: Yuan, Haonan, et al.
Veröffentlicht: (2026)

From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited
von: Wang, Zheng, et al.
Veröffentlicht: (2023)

RiemannGFM: Learning a Graph Foundation Model from Riemannian Geometry
von: Sun, Li, et al.
Veröffentlicht: (2025)

GraphCLIP: Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs
von: Zhu, Yun, et al.
Veröffentlicht: (2024)

Diffusion-Guided Pretraining for Brain Graph Foundation Models
von: Wei, Xinxu, et al.
Veröffentlicht: (2026)

Graph Foundation Models: Bridging Language Model Paradigms and Graph Optimization
von: Liang, Yunhao, et al.
Veröffentlicht: (2025)

GraphMoRE: Mitigating Topological Heterogeneity via Mixture of Riemannian Experts
von: Guo, Zihao, et al.
Veröffentlicht: (2024)

OmniCellTOSG: The First Cell Text-Omic Signaling Graphs Dataset for Graph Language Foundation Modeling
von: Zhang, Heming, et al.
Veröffentlicht: (2025)

Riemannian Liquid Spatio-Temporal Graph Network
von: Lu, Liangsi, et al.
Veröffentlicht: (2026)

Graph-Memoized Reasoning: Foundations Structured Workflow Reuse in Intelligent Systems
von: Singh, Yash Raj
Veröffentlicht: (2025)

Learning Causal Graphs at Scale: A Foundation Model Approach
von: Yin, Naiyu, et al.
Veröffentlicht: (2025)

Billion-Scale Graph Foundation Models
von: Bechler-Speicher, Maya, et al.
Veröffentlicht: (2026)

Geometric Structural Knowledge Graph Foundation Model
von: Xin, Ling, et al.
Veröffentlicht: (2025)

How Expressive are Knowledge Graph Foundation Models?
von: Huang, Xingyue, et al.
Veröffentlicht: (2025)

Graph-Based Fraud Detection with Dual-Path Graph Filtering
von: He, Wei, et al.
Veröffentlicht: (2026)

A Combinatorial Theory of Dropout: Subnetworks, Graph Geometry, and Generalization
von: Dhayalkar, Sahil Rajesh
Veröffentlicht: (2025)

Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations
von: Zhai, Jiaqi, et al.
Veröffentlicht: (2024)

Foundations and Frontiers of Graph Learning Theory
von: Huang, Yu, et al.
Veröffentlicht: (2024)

GraphMaker: Can Diffusion Models Generate Large Attributed Graphs?
von: Li, Mufei, et al.
Veröffentlicht: (2023)

Neural Graph Navigation for Intelligent Subgraph Matching
von: Ying, Yuchen, et al.
Veröffentlicht: (2025)

GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning
von: Zeng, Fanlong, et al.
Veröffentlicht: (2025)

Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models
von: Sun, Li, et al.
Veröffentlicht: (2026)

Heterophily-Agnostic Hypergraph Neural Networks with Riemannian Local Exchanger
von: Sun, Li, et al.
Veröffentlicht: (2026)

Large Language Models Meet Graph Neural Networks for Text-Numeric Graph Reasoning
von: Song, Haoran, et al.
Veröffentlicht: (2025)

Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective
von: Dong, Yushun, et al.
Veröffentlicht: (2024)

Next Level Message-Passing with Hierarchical Support Graphs
von: Vonessen, Carlos, et al.
Veröffentlicht: (2024)

Generalizing Hyperedge Expansion for Hyper-relational Knowledge Graph Modeling
von: Liu, Yu, et al.
Veröffentlicht: (2024)

Can Graph Foundation Models Generalize Over Architecture?
von: Gutteridge, Benjamin, et al.
Veröffentlicht: (2026)

Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees
von: Wang, Zehong, et al.
Veröffentlicht: (2024)

From Graph Diffusion to Graph Classification
von: Xian, Jia Jun Cheng, et al.
Veröffentlicht: (2024)