От специфических GNN к универсальным графовым моделям
Традиционный подход к машинному обучению на графах (GML) требовал обучения отдельной модели для каждого набора данных. Этот процесс был ресурсоемким и хрупким: при изменении структуры, признаков или меток приходилось переобучать модель с нуля. Graph Foundation Models (GFM) предлагают новую парадигму: предварительное обучение один раз с последующей адаптацией к узлам, ребрам, графам, а также к динамическим и мультимодальным настройкам.
Это позволяет переносить знания между задачами обнаружения мошенничества, рекомендаций, открытия лекарств и прогнозирования погоды, используя единый базовый модуль, что кардинально снижает затраты на вычисления и данные.
Ключевые вызовы и направления исследований
Несмотря на прогресс, индустрия сталкивается с рядом фундаментальных проблем. На воркшопе GFMICML 2026 будут обсуждаться следующие критические области:
- Методология: Отсутствие консенсуса по семействам моделей, целям обучения и стратегиям преподготовки для гетерогенных и динамических графов.
- Масштабирование: Ограниченное понимание режимов данных, обобщающей способности и переносимости на большие графы.
- Оценка: Фрагментированные бенчмарки и метрики мешают честному сравнению моделей.
- Трансфер: Необходимость адаптации техник из NLP и Computer Vision к графовым схемам и пространствам меток.
Темы интересов и формат участия
Организаторы (включая исследователей из Google, Meta, Nvidia, Yandex Research и университетов Оксфорда, Стэнфорда, CMU) приглашают работы по интеграции GFM с LLM и Tabular Foundation Models, новым архитектурам, токенизации графов и теоретическим аспектам обобщения. Принимаются длинные статьи (до 8 страниц) и позиционные работы (2–4 страницы). Процесс рецензирования двойной слепой через OpenReview. Важно: использование LLM для написания статей должно быть явно указано, а полностью сгенерированные ИИ работы не принимаются.
Расписание и спикеры ICML 2026
Воркшоп пройдет 10 июля 2026 года в Сеуле, Южная Корея. Среди ключевых докладчиков — представители Google Research, Prior Labs, Nvidia, TU Wien, Oxford, RWTH Aachen, Yandex Research и Georgia Tech. Основные темы включают временные графовые модели, реляционные фундаментальные модели и вопросы переносимости знаний между типами данных.
| Спикер | Организация | Тема доклада |
|---|---|---|
| Shenyang Huang | University of Oxford | Temporal Graph Foundation Models: Challenges and Opportunities |
| Michael Galkin | Google Research | Graph Learning at Google in 2026 |
| Myunghwan Kim | Nvidia | Relational Foundation Model |
| Ismail Ilkan Ceylan | TU Wien & AITHYRA | What Transfers Across Graphs, Relations, and Tasks? |
| Noah Hollmann | Prior Labs | Structured Foundation Models: From Tables to Graphs |
Важные даты
- 8 мая 2026: Дедлайн подачи статей.
- 21 мая 2026: Уведомление авторов о принятии.
- 10 июля 2026: Проведение воркшопа на ICML 2026.
Источник: Google ↗