圖數據，作為一種不可或缺的數據表現形式，廣泛滲透于社交網絡、學術科研網絡、交通管理系統及生物信息網絡等諸多領域。作為最廣泛應用的圖學習范式，圖表征學習致力于學習圖中節點的表示向量，融合結構特性與節點特征，以實現精準的預測與分析。

近年來涌現出了大量的圖學習方法，包括圖神經網絡、圖自監督學習、圖預訓練和微調方法、以及圖大語言模型。這些方法不斷精進圖學習模型的建模能力和預測精度，近年的一些方法探索了增強圖模型泛化能力的途徑。

然而，當前方法普遍依賴于復雜的調優流程，難以靈活應對實際圖數據復雜多變的結構與特征特性。當圖數據涉及多個領域，且模型在訓練階段未曾見過時，當前模型難以處理，體現了現有方法在跨領域的零樣本預測任務上泛化性能的不足。

為了解決這一問題，香港大學的研究人員提出AnyGraph這一圖基礎模型。

論文鏈接：https://arxiv.org/pdf/2408.10700

項目地址：https://github.com/HKUDS/AnyGraph

基于圖數據的獨特性質，AnyGraph聚焦于攻克一下幾個方面的核心難題，模型預訓練跨越了8種場景、10類特征、以及38個數據集, 以實現搭建圖基礎模型的目標：

結構和特征異質性

不同應用場景下的圖數據，其結構形態千差萬別，包括節點連接密度、密集子圖分布、數據噪聲與缺失情況等。現有的方法，例如圖神經網絡，往往被訓練用于預測一類具有固定特點的圖數據，其模型本身的容納能力，也無法處理真實世界中跨場景的復雜多樣數據。

此外，不同數據集往往存在嚴重的特征異質性。節點特征是圖數據的核心組成部分之一，但在不同數據集中展現出極大的差異性。從離散類別到連續數值，從文本嵌入到圖統計特征，乃至特征向量的維度都各不相同。如何在零樣本場景下處理這些多樣化的特征，成為圖基礎模型必須跨越的障礙。

為了應對結構和特征的異質性挑戰，AnyGraph采用混合專家模型（MoE）架構，在模型中集成了同構但參數不同、互不耦合的多個專家圖模型。基于一種高效且強大的專家路由算法，將不同的輸入數據分配給適合的專家模型進行學習和預測。通過這種方式，AnyGraph可以輕松集成針對不同圖數據特點的專家模型，從而達到更強的模型魯棒性。

另一方面，AnyGraph的每個專家模型都采用了統一的結構和特征統一方法，基于特征值分解方法，專家模型將具有不同維度、不同語義的鄰接矩陣數據和節點特征數據，都映射為具有統一長度和相近語義的統一表征。在這一基礎上，即使不同數據的表征仍存在一些差異，也可以輕易被專家集成的MoE架構解決。

快速適應能力

一個高效的圖基礎模型應具備快速適應新數據集和領域的能力，能夠在不依賴大量重新訓練或微調的情況下，迅速調整其參數和學習策略，以應對未知圖數據的挑戰。然而，現有的圖基礎模型通常基于大規模的預訓練語言模型，難以進行快速的模型調整。這種對新圖域的低效適應性，成為限制圖學習技術廣泛應用的瓶頸。

針對這一問題，AnyGraph設計了輕量化的圖專家路由機制，使用自監督任務來快速評測多個專家任務對輸入數據的預測準確性。在不引入額外標簽數據的情況下，這一方法可以準確找到最優的專家模型，在僅使用單個專家模型、極少數模型參數的情況下，達到優于與大規模預訓練模型的效果。

下圖展示了AnyGraph專家路由機制的分配結果，可以看到，同源（例如ML1M和ML10M）以及使用相同特征構建方法（例如YelpT, SteamT, AmazT）的數據集，被分到了同樣的專家模型。

此外，AnyGraph的專家模型采用一種簡單高效的設計，數據集的大部分信息可以預處理成高度有效的初始表征，而專家模型僅需要采用多層感知機模型，就能通過專家集成達到大規模模型的效果，從而減少模型前向和反向傳播的開銷。

下圖展示了AnyGraph在限定訓練步數上花費的計算時間，以及在fine-tune情況下的效果曲線，均展示了AnyGraph在快速適應能力上的優勢。

Scaling Law

在視覺和文本領域，大規模基礎模型的一個標志性現象是Scaling Law，即隨著模型參數量和訓練數據量的增加，模型效果不斷提升。本文探索了圖基礎模型是否存在這樣的特點。

本文對AnyGraph的多個模型大小影響參數，以及訓練數據量進行了調整，以測試模型性能隨著這些因素的變化情況。結果如下所示：

可以看到，在零樣本預測能力上，AnyGraph保持了隨參數量和數據量增長而不斷上升的趨勢，這一現象在訓練數據集上未能觀測到。這展示了AnyGraph在泛化能力上符合Scaling Law。這同時也說明，這種突破性的模型性能增長應該在更具挑戰性的任務上尋找，例如跨領域的零樣本預測。

這種不斷增長的突破性模型性能，來源于AnyGraph通用的模型設計，以及其在大量跨領域數據上的充分訓練。