モダリティ非依存のグラフ・イン・コンテキスト整合

概要：コンテキスト推論学習（ICL）は静的エンコーダをタスク条件付きの推論器へと変換し、事前学習済みパラメータを更新することなく、わずかな例から新しいデータへ適応できるようにします。この能力は、グラフ基盤モデル（GFMs）がLLMレベルの汎用性に近づくうえで不可欠です。しかし現在のGFMsはクロスドメイン整合に苦戦しており、通常モダリティ特異的エンコーダに依存して、グラフが事前ベクター化されている場合や生データにアクセスできない場合には失敗します。本論文では、モダリティを前提としない、事前学習済みのグラフエンコーダを少数ショット予測に対してプロンプト可能にする枠組み Modality-Free Graph In-context Alignment（MF-GIA）を提案します。 MF-GIA は勾配フィンガープリントを通じてドメイン特性を捉え、前エンコード済みの特徴とインデックス化されたラベルを統一された意味空間へ整合させる軽量変換をパラメータ化します。事前学習中、エピソード性を持つデュアル・プロンプト対応のアテンション機構が、整列したサポート例に対してクエリを対応させることを学習し、プロンプトベースの推論能力を確立します。推論時には、MF-GIA はパラメータ更新を伴わない適応を、わずかなショットのサポートセットだけを用いて行い、クロスドメイン整合を喚起して未見のドメインでの即時予測を可能にします。実験の結果、MF-GIA は多様なグラフドメインにおいて卓越した少数ショット性能を達成し、未見のドメインへの強い一般化能力を示しました。