AgentGFM: 一种具有节点智能体信息流控制的图基础模型

# AgentGFM：一种具有节点智能体信息流控制的图基础模型
来源：https://arxiv.org/html/2607.26533
崔静波，赵吉涛
计算机科学与技术学院，天津大学，天津，中国
zjtao@tju\.edu\.cn (https://arxiv.org/html/2607.26533v1/mailto:[email protected])，金迪
计算机科学与技术学院，天津大学，天津，中国
jindi@tju\.edu\.cn (https://arxiv.org/html/2607.26533v1/mailto:[email protected])
和何东晓
计算机科学与技术学院，天津大学，天津，中国
hedongxiao@tju\.edu\.cn (https://arxiv.org/html/2607.26533v1/mailto:[email protected])

###### 摘要

图基础模型（GFMs）旨在学习来自多领域图的可迁移知识，并适应未见过的场景。作为图中关系语义的基本来源，拓扑模式的可迁移性长期以来一直是GFM研究的核心。然而，局部结构模式可能因图而异，甚至在同一张图内的节点间也存在差异。尽管存在这种结构变化，现有的大多数GFM依赖于手工设计的传播方案，并将其基本不变地应用于新图。这种固定方案可能不适合不同节点的多样化结构模式。这就引出了一个关键问题：每个节点能否自主决定信息应如何在图中传播？我们将这种能力称为**信息流控制**。受最近智能体技术进展的启发，我们将此问题形式化为基于智能体的决策，并将每个节点视为一个智能体。据此，我们提出了AgentGFM，其中所有节点智能体遵循一个共享的端到端可训练策略，而不是使用独立模型。为了实现自适应信息流控制，每个节点通过预测-行动-观察-纠正的过程与图交互。在行动阶段，节点做出三个决策：源接收、信号通道选择和增益感知的节点级停止。由此产生的观察结果与预测进行比较，它们的差异用于纠正节点状态并指导后续交互。在节点级、图级和大规模迁移场景中的广泛实验证明了AgentGFM在多样化图拓扑中的有效性。

图表示学习，图神经网络，图基础模型

††copyright:none††conference:；；††ccs:计算方法 神经网络††ccs:信息系统 数据挖掘††ccs:计算方法 迁移学习

## 1. 引言

图结构数据在现实应用中无处不在，包括社交网络分析（Wu等人，2019 (https://arxiv.org/html/2607.26533#bib.bib26)）、推荐系统（Palomares等人，2021 (https://arxiv.org/html/2607.26533#bib.bib16)）、蛋白质相互作用建模（Vlaic等人，2018 (https://arxiv.org/html/2607.26533#bib.bib24)）和知识图谱推理（Schlichtkrull等人，2018 (https://arxiv.org/html/2607.26533#bib.bib18)）。然而，当前的图学习模型通常仍然是任务特定的，这限制了它们在不同领域的通用性。受基础模型在自然语言处理和计算机视觉领域成功的启发，最近的研究开始探索图基础模型（GFMs）。这些模型旨在从多领域图中学习可泛化的图知识，从而能够快速适应新场景（Liu等人，2023a (https://arxiv.org/html/2607.26533#bib.bib13)）。

作为图中关系语义的基本来源，拓扑模式的可迁移性长期以来一直是GFM研究的核心。然而，这种可迁移性面临着挑战，因为局部结构模式可能因图而异，甚至在同一张图内的节点间也存在差异。现有研究已经探索了拓扑感知设计，以在这种结构多样性下提高泛化能力。基于提示的方法使用拓扑感知提示或结构编码来使预训练模型适应特定图上下文（Fang等人，2023 (https://arxiv.org/html/2607.26533#bib.bib7)；Liu等人，2023b (https://arxiv.org/html/2607.26533#bib.bib15)；Yang等人，2025 (https://arxiv.org/html/2607.26533#bib.bib32)；Yu等人，2025 (https://arxiv.org/html/2607.26533#bib.bib34)）。其他方法通过结构路由、拓扑对齐或自适应聚合来提高可迁移性（Zhao等人，2025b (https://arxiv.org/html/2607.26533#bib.bib39)；Wang等人，2024 (https://arxiv.org/html/2607.26533#bib.bib25)）。近期的研究进一步使用黎曼表示或混合专家架构来建模异质拓扑（Sun等人，2025 (https://arxiv.org/html/2607.26533#bib.bib21)；Liu等人，2025 (https://arxiv.org/html/2607.26533#bib.bib14), 2026 (https://arxiv.org/html/2607.26533#bib.bib12)）。基于Transformer的GFM还将图结构编码为令牌或图序列，用于通用建模（Xia等人，2024 (https://arxiv.org/html/2607.26533#bib.bib27)；Zhao等人，2025a (https://arxiv.org/html/2607.26533#bib.bib40)）。这些努力推动了GFM朝着拓扑感知泛化的方向发展。

尽管取得了这些进展，现有的大多数GFM仍然依赖于手工设计的传播方案，并将其基本不变地应用于新图。这种固定方案可能无法适应不同节点的多样化局部结构模式。如图1 (https://arxiv.org/html/2607.26533#S1.F1)(a)所示，固定方案可能在有用信息到达之前就停止，或者持续聚合不相关的邻域信号。这种统一传播与节点特定结构模式之间的不匹配限制了在拓扑变化下的适应性。这就引出了一个关键问题：**每个节点能否自主决定信息应如何在图中传播？**我们将这种能力称为**信息流控制**。

然而，实现信息流控制并非易事。传播决策必须适应节点特定的结构，同时保持对未见图的可迁移性。此外，扩大传播范围可能捕获有用的结构依赖关系，但也可能引入不相关信号，这使得为每个节点确定适当的传播过程变得困难。

参照图注该图包含两个并排的图表。左侧图表说明了预设图传播，其中目标节点可能无法到达有用的远程信息，或者可能聚合误导性的邻域信号。右侧图表说明了AgentGFM，其中节点执行预测-行动-观察-纠正的交互，并在通过反馈更新其状态之前，选择性地控制信息源、信号通道和停止决策。

图1. AgentGFM的动机。预设传播在拓扑变化下可能会遗漏有用证据或吸收噪声信号。而AgentGFM通过源接收、信号通道选择、增益感知的节点级停止以及预测-观察反馈，实现了节点级信息流控制。先前的自适应传播研究表明，图传播可以依据图信号进行条件化，而不是遵循统一例程（Xue等人，2021 (https://arxiv.org/html/2607.26533#bib.bib29)；Lai等人，2020 (https://arxiv.org/html/2607.26533#bib.bib11)）。然而，这些方法通常针对特定的图分布或监督目标进行优化。它们并非旨在学习跨图的可迁移决策机制。现有的GFM主要通过拓扑感知提示或专家路由来适应目标图，而其传播方案仍然基本固定。因此，如何实现能够跨未见图迁移的节点特定传播决策仍然是一个未充分探索的问题。

受最近智能体技术进展的启发，我们将此问题与基于智能体的决策联系起来，其中智能体根据内部状态和环境反馈调整其行动。这种范式自然地与图信息流控制相一致，其中每个节点应决定如何接收和传播信息。受此视角的启发，我们将每个节点视为一个智能体，根据其当前状态做出传播决策，并通过来自图的反馈来优化这些决策。重要的是，节点智能体不使用独立的模型。相反，所有节点遵循一个共享的端到端可训练策略，从而在保持跨图可迁移性的同时实现节点特定的决策。

据此，我们提出了AgentGFM，一种具有节点智能体信息流控制的图基础模型。如图1 (https://arxiv.org/html/2607.26533#S1.F1)(b)所示，每个节点通过预测-行动-观察-纠正的过程与图交互。它首先根据其当前状态预测预期的上下文信息，然后在行动阶段做出三个决策：源接收、信号通道选择和增益感知的节点级停止。图返回由这些决策引起的观察结果，观察与预测之间的差异用于纠正节点状态并指导后续交互。通过这个过程，不同节点在相同的可迁移策略下遵循不同的信息流轨迹。

我们的贡献总结如下：

- •我们识别出将手工设计的传播方案基本不变地迁移到新图所存在的局限性，并将拓扑泛化形式化为节点智能体信息流控制问题。
- •我们提出了AgentGFM，其中每个节点作为一个智能体，在共享可训练策略下运行，并通过预测-行动-观察-纠正过程（包括源接收、信号通道选择和增益感知停止）来控制信息流。
- •在节点级、图级和大规模迁移场景中的广泛实验证明了AgentGFM在多样化图拓扑中的有效性。

## 2. 相关工作

### 2.1. 图基础模型

图基础模型（GFMs）旨在学习能够跨图泛化的可迁移图知识。现有的GFM主要从两个角度解决跨图异构性问题：特征对齐和结构适应。

对于特征异质性，GCOPE（Zhao等人，2024 (https://arxiv.org/html/2607.26533#bib.bib37)）引入了协调器模块用于跨图交互和潜在空间对齐，MDGPT（Yu等人，2024 (https://arxiv.org/html/2607.26533#bib.bib35)）使用领域特定令牌来融入领域信息，TIG（Zhao等人，2026 (https://arxiv.org/html/2607.26533#bib.bib38)）学习迁移不变节点特征，BRIDGE（Yuan等人，2025 (https://arxiv.org/html/2607.26533#bib.bib36)）结合了特征统一与语义对齐。这些方法主要通过学习兼容的特征空间来提高可迁移性。

对于结构异质性，GraphControl（Zhu等人，2024 (https://arxiv.org/html/2607.26533#bib.bib41)）从谱信息构建结构感知位置编码，GFT（Wang等人，2024 (https://arxiv.org/html/2607.26533#bib.bib25)）学习可迁移传播模式，R-GFM（Liu等人，2026 (https://arxiv.org/html/2607.26533#bib.bib12)）捕获几何自适应表示，GraphAny（Zhao等人，2025b (https://arxiv.org/html/2607.26533#bib.bib39)）采用混合专家来使编码器适应不同的图结构。

尽管这些方法通过特征对齐、结构编码或组件适应来改进GFM，但它们主要是使模型表示或组件适应目标图。单个节点在不同结构条件下应如何调整其信息传播过程仍然在很大程度上未被探索。AgentGFM通过使能节点智能体信息流控制（通过一个共享的可迁移策略）来解决这一局限性。

### 2.2. 自适应图传播与基于决策的推理

自适应图传播与基于决策的推理方法学习如何获取图结构上的信息，而不是依赖固定的消息传递规则。现有研究主要适应信息源或传播深度。DeepPath（Xiong等人，2017 (https://arxiv.org/html/2607.26533#bib.bib28)）和MINERVA（Das等人，2018 (https://arxiv.org/html/2607.26533#bib.bib5)）将知识图谱推理形式化为路径导航，GDPNet（Xue等人，2021 (https://arxiv.org/html/2607.26533#bib.bib29)）学习自适应邻域选择，Policy-GNN（Lai等人，2020 (https://arxiv.org/html/2607.26533#bib.bib11)）学习节点特定传播迭代次数。这些研究表明，图推理受益于适应信息收集的位置和传播的距离。

然而，这些方法主要针对特定任务、图分布或监督目标进行优化，并非为跨图迁移而设计。相比之下，AgentGFM从多个源图学习一个共享的信息流策略，并将其迁移到未见的目标图。它联合控制信息源、信号通道和传播持续时间，同时使用预测-观察差异进行状态纠正。机制级别的比较见附录A (https://arxiv.org/html/2607.26533#A1)。

## 3. 预备知识

### 3.1. 问题设置

令 \(\mathcal{G}=(\mathcal{V},\mathcal{E},\mathbf{X})\) 表示一个图，其中 \(\mathcal{V}\) 是节点集，\(\mathcal{E}\) 是边集，\(\mathbf{X}\in\mathbb{R}^{|\mathcal{V}|\times d}\) 是节点特征矩阵。我们用 \(\mathbf{A}\) 表示邻接矩阵，\(\mathcal{N}(v)\) 表示节点 \(v\) 的邻域。每个节点 \(v\in\mathcal{V}\) 与一个特征向量 \(\mathbf{x}_v\in\mathbb{R}^d\) 相关联。

我们考虑一个跨域GFM设置，其中模型在一组源图 \(\mathcal{G}_S\) 上训练，并在一个不相交的目标图集 \(\mathcal{G}_T\) 上评估，且 \(\mathcal{G}_S \cap \mathcal{G}_T = \varnothing\)。目标是从 \(\mathcal{G}_S\) 学习可迁移的图知识，并在有限的监督下泛化到 \(\mathcal{G}_T\) 中未见过的图。

### 3.2. 信息流控制形式化

令 \(\mathbf{h}_v^{(k)}\) 表示节点 \(v\) 在传播步骤 \(k\) 的表示。传统消息传递首先聚合邻域表示：

\((1) \quad \mathbf{m}_v^{(k)} = \operatorname{AGG}^{(k)}\left(\left\{\mathbf{h}_u^{(k)} \mid u \in \mathcal{N}(v)\right\}\right),\)

然后更新节点表示：

\((2) \quad \mathbf{h}_v^{(k+1)} = \phi^{(k)}\left(\mathbf{h}_v^{(k)}, \mathbf{m}_v^{(k)}\right),\)

其中 \(\operatorname{AGG}^{(k)}\) 和 \(\phi^{(k)}\) 由模型架构指定。因此，相同的传播机制通常被应用于不同节点，并在适应有限的情况下迁移到新图。

为了支持节点特定传播，我们将信息流控制形式化为一个策略学习问题。在步骤 \(k\)，节点 \(v\) 构建一个状态：

\((3) \quad \mathbf{s}_v^{(k)} = f_s\left(\mathbf{h}_v^{(k)}, \mathbf{m}_v^{(k)}\right),\)

共享策略产生一个节点特定决策：

\((4) \quad \mathbf{d}_v^{(k)} = \pi_\theta\left(\mathbf{s}_v^{(k)}\right).\)

然后通过决策条件过渡来更新表示：

\((5) \quad \mathbf{h}_v^{(k+1)} = f_t\left(\mathbf{h}_v^{(k)}, \mathbf{m}_v^{(k)}, \mathbf{d}_v^{(k)}\right).\)

这个形式化