LOGS第2024/02/24期||密歇根州立大学陈致凯 ：从LLM4Graph到图基础模型
内容简介
近年来，Foundation model在CV与NLP等领域取得了巨大的成功，它们通过在大量数据上的预训练，能够赋能不同的下游任务。相比之下，graph领域目前还停留在针对每一个任务和数据集设计特有的架构模式，不仅需要针对每个任务设计特有的架构，同时无法有效利用跨数据和跨任务的共享知识。因此，我们希望研究graph上foundation model的设计。在本次讲座中，我们会分享过去半年多来对于graph foundation model的探索，主要是从LLM for Graph到Principle Graph Foundation Model的范式转变。我们初步回答了以下问题1. LLM对于graph领域的任务有什么帮助？2. LLM可以作为graph foundation model的基座嘛? 3. 相比于构建CV与NLP领域的foundation model，构建graph foundation model的主要挑战是什么？为什么graph上的原理对其构建至关重要？
分享嘉宾
陈致凯是密歇根州立大学的博士研究生，师从汤继良教授，目前主要的研究兴趣为graph foundation model的构建。他的相关研究发表在NeurIPS, ICLR, KDD Exploration等会议与期刊上。个人主页https://currytang.github.io/。
顶部