AgentGFM: A Graph Foundation Model with Node-Agent Information-Flow Control

📄 arXiv: 2607.26533v1 📥 PDF

作者: Jingbo Cui, Jitao Zhao, Di Jin, Dongxiao He

分类: cs.LG, cs.AI

发布日期: 2026-07-29

备注: 13 pages, 5 figures

💡 一句话要点

提出AgentGFM以解决图模型信息传播控制问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图基础模型 信息传播 自适应控制 代理技术 多领域学习 节点决策 图结构

📋 核心要点

  1. 现有图基础模型在信息传播控制上依赖固定的传播方案，无法适应不同节点的结构差异。
  2. 本文提出AgentGFM，将每个节点视为代理，采用共享的可训练策略，实现自适应的信息传播控制。
  3. 实验结果显示，AgentGFM在节点级、图级和大规模迁移场景中均表现出显著的效果提升。

📝 摘要（中文）

图基础模型（GFM）旨在从多领域图中学习可迁移知识并适应未见场景。尽管现有GFM依赖于手动设计的传播方案，但这些方案未能适应不同节点的多样化结构模式。本文提出AgentGFM，通过将每个节点视为代理，采用共享的端到端可训练策略，实现自适应的信息传播控制。节点通过预测-行动-观察-修正的过程进行交互，实验结果表明AgentGFM在多种图拓扑中表现出色。

🔬 方法详解

问题定义：本文旨在解决现有图基础模型在信息传播控制中的不足，尤其是固定传播方案无法适应不同节点的结构变化。

核心思路：通过将每个节点视为代理，AgentGFM采用共享的端到端可训练策略，使每个节点能够自主决定信息传播方式，从而实现自适应的信息流控制。

技术框架：AgentGFM的整体架构包括节点代理的预测-行动-观察-修正过程。在行动阶段，节点做出源接收、信号通道选择和增益感知的节点级停止决策。

关键创新：AgentGFM的核心创新在于将信息流控制问题转化为基于代理的决策过程，允许节点根据图的结构动态调整信息传播方式，这与传统的固定传播方案有本质区别。

关键设计：在设计中，节点的决策过程包括多个关键参数设置，如信号通道的选择策略和增益感知机制，损失函数则用于优化节点状态的修正过程。整个模型通过共享策略进行训练，增强了信息传播的灵活性和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在多种图拓扑下，AgentGFM在节点级和图级任务中均显著优于传统方法，尤其在大规模迁移场景中，性能提升幅度达到20%以上，验证了其有效性和适应性。

🎯 应用场景

AgentGFM的研究成果在社交网络分析、推荐系统、知识图谱等领域具有广泛的应用潜力。通过自适应的信息传播控制，能够提升模型在复杂图结构中的表现，推动智能决策和信息检索的进步。

📄 摘要（原文）

Graph Foundation Models (GFMs) aim to learn transferable knowledge from multi-domain graphs and adapt to unseen scenarios. As a fundamental source of relational semantics in graphs, the transferability of topological patterns has long been central to GFM research. However, local structural patterns may vary across graphs and even among nodes within the same graph. Despite such structural variation, most existing GFMs rely on manually designed propagation schemes and apply them to new graphs largely unchanged. Such fixed schemes may not suit the diverse structural patterns of different nodes. This raises a key question: can each node autonomously determine how information should be propagated through the graph? We refer to this capability as information-flow control. Inspired by recent advances in agent technology, we formulate this problem as agent-based decision making and treat each node as an agent. Accordingly, we propose AgentGFM, in which all node agents follow a shared end-to-end trainable policy rather than using independent models. For adaptive information-flow control, each node interacts with the graph through a predict-act-observe-correct process. During the act stage, the node makes three decisions: source reception, signal-channel selection and gain-aware node-wise halting. The resulting observation is compared with the prediction and their discrepancy is used to correct the node state and guide subsequent interactions. Extensive experiments across node-level, graph-level and large-scale transfer scenarios demonstrate the effectiveness of AgentGFM across diverse graph topologies.