多域黎曼图拼接：构建图基础模型的新视角 Multi-Domain Riemannian Graph Gluing for Building Graph Foundation Models

完整训练流程 (Algorithm 1) 分三阶段：① **Mix 训练局部构造**：对每个 batch $B$ 跑 GRAPHGLUE 前向得到 $(Z,W)$，先算对比损失 warm-up $\mathcal{L}_{\mathrm{local}}$，warm-up 后加原型损失 $\mathcal{L}_{\mathrm{proto}}$，再用 EMA 公式 $z^{\mathcal{S}_k}\leftarrow \beta z^{\mathcal{S}_k}+(1-\beta)\frac{1}{|B_k|}\sum_{G\in B_k}z_G$ 更新黎曼原型；② **Mix 训练全局骨架**：用 cross-dataset KNN 图在跨域 $Z$ 上抽三角形路径 $T$，对 $T$ 中每个三角形算 $\mathcal{L}_{\mathrm{holo}}+\mathcal{L}_{\mathrm{Curv}}$；③ **单域精修**：再分别对每个源域在自己图上抽三角形做几何正则化，避免局部被跨域平滑掉。适配时：对目标图 $G_T$ 跑一次前向得到 $(z^T,W^T)$，用 prompt $Q$ 修正得到 $z_{\text{adapt}}=Qz^T$、$G_{\text{adapt}}=\mathrm{diag}(\|Qw_1^T\|^2,\ldots,\|Qw_M^T\|^2)$，把 $G_T$ 与 $k$ 近邻原型连成 transfer graph $G'$，同时算任务损失 $\mathcal{L}_{\mathrm{task}}$ 与拼接损失 $\mathcal{L}_{\mathrm{glue}}=\mathcal{L}_{\mathrm{holo}}(G')+\mathcal{L}_{\mathrm{Curv}}(G')$，最后 MoE 输出 $\log G_{\text{align}}=\sum_k\beta_k\log G^{\mathcal{S}_k}$，把 $[z^T;\log G_{\text{adapt}};\log G_{\text{align}}]$ 送入线性分类头。

技术新颖性体现在四点：(1) 首次将 Cartan 活动标架引入深度学习，用稀疏扰动 + QR 分解生成可学习的正交标架 (Definition 4.2)，并证明切向量长度上界 $\|w^p_m\|\le(1+\varepsilon)\|P\|$ (Theorem 4.3)；(2) 给出 edge tangent translation 的 closed-form 最优解 (Theorem 4.5)，并证明存在唯一全局度量 (Theorem 4.6)，这是首个为多域图证明 metric 存在性的工作；(3) 用三角形 holonomy $\|P^{(k,i)}P^{(j,k)}P^{(i,j)}-I\|_F^2$ 替代昂贵的全图 Ricci 估计，并由此推出"所有环 holonomy 平凡"的拓扑条件 (Theorem 4.8)；(4) 通过控制 $\log\det G$ 在图 Laplacian 下的 Dirichlet 能量实现 $k$ 阶光滑 (Definition 4.10)，并提出 $\mathrm{GTM}=\Delta H+\Delta C$ 的可解释迁移度量 (Eq. 12)，是首个把"域间传递难度"与"流形几何"直接挂钩的工作。

**超参敏感**：稀疏扰动的 $k$ (邻域大小) 与 $M$ (虚拟节点数) 强烈影响结果，Table 14 显示在 $M=32$ 固定时 $k\in\{2,5,10,15,30,60\}$ 的 Arxiv 1-shot 在 15.29\%~29.73\% 之间剧烈波动，建议引入自动化 $k$ 选择 (例如用 Ricci 流自适应) 或学习式 top-$k$。**1-shot/5-shot 不对称收益**：1-shot 时几何标度律显著 (1-shot ACC 涨 5-8\%)、5-shot 时几乎不变 (1-2\%)，说明模型对样本极稀缺场景特别有效、而对中等数据场景"边际效应递减"，可考虑在 5-shot 时关闭 $\mathcal{L}_{\mathrm{glue}}$ 以保留任务判别力。**GTM 退化**：当 holonomy loss 早早收敛到 0 时 GTM 仅由 curvature 一项贡献，丧失对"路径不一致"的诊断力，可改成与 holonomy 同量纲的相对指标或加 log 归一化。**三角形采样近似**：Algorithm 1 用"相邻边对"代替真三角形以省算力，但理论上 Theorem 4.8 要求"每条边至少属于一个三角形"，对稀疏图 (如 FB15k-237 的边密度 1.07) 未必成立，可能需要更可靠的边-三角匹配算法 (如 Pei's 三角枚举)。

作者在结论和 Appendix G 暗示了几个方向：(1) 把理论扩展到**非紧致流形** (含边界的知识图谱、动态时序图)，目前 Theorem 4.6 假设无边界；(2) 探索**自适应几何标度律**——图 5 是 $\ln y\sim -a\ln x+b$ 形式，$a$ 显然依赖目标域，是否能根据目标 GTM 反向预训练应该再增多少数据集，从而把"数据规模"变成可调度变量；(3) 与 LLM 结合——目前 GFM 多用文本特征，本文纯拓扑，但若给 $P$ 节点配 text embedding 即可扩展到 text-attributed graph；(4) **更深的拼接**——现在 prototype 数量 $K$ 等于源域数，可考虑对每个域内部多设几个 prototype 形成 Riemannian Mixture of Prototypes，类似 MoE 但粒度更细。

代码在 https://github.com/RiemannGraph/GraphGlue 开源，作者明确披露：(1) 12 个数据集的统计 (Table 6) 全部公开，可直接用 PyG/DGL 下载；(2) 实现细节——2 层 GCN 骨干、$M=32$、$k=15$、hidden=512、dropout=0.1、Adam + cosine annealing、lr=1e-4、温度 1.0、每数据集的 $k$ (KNN) 与 $\lambda$ 都在 Table 7-12 列出；(3) 计算资源在 Table 5 中给出，6 个数据集时 29.21 GB，单卡 A100/A800 即可 (GCOPE/MDGFM 在 4 个数据集就 OOM)；(4) 每次实验 10 个不同随机种子平均并报告标准差，统计意义充分；(5) Appendix H 是完整的 reproducibility statement，理论证明 (Theorem 4.3-4.11) 全部在 Appendix B 中给出。**复现难度**：中等偏低——几何正则化与 holonomy 实现需要一定微分几何背景，但作者提供了 (k,M)-sparse perturbation 与 edge tangent translation 的可微 PyTorch 实现 (见 D.2 复杂度表)，3-5 天可复现主表。