ICLR 2026 | 图模型也能合并？多任务融合框架G-Merging，仅5%参数反超微调

本文针对图神经网络在多任务场景下面临的模型存储与计算负担问题，提出了一种名为G-Merging的图模型融合框架。研究背景指出，传统“预训练+下游微调”范式需为每个任务保存独立模型，效率低下。研究目的是通过融合多个微调模型的参数，构建一个统一且高效的多任务模型。该方法包含初步参数融合、拓扑感知对齐和无参数的MoE路由三个步骤，利用任务向量叠加、拓扑感知Wasserstein距离损失和动态路由机制，在仅训练约5%-10%参数的情况下，于多个分子图分类任务上取得了优于基线方法甚至部分单任务微调模型的性能。结论表明，该工作首次系统探索了图神经网络的模型融合，验证了其可行性，为多任务图学习提供了高效部署的新思路。