論文の概要: Graph Meets LLMs: Towards Large Graph Models

• arxiv url: http://arxiv.org/abs/2308.14522v2
• Date: Sat, 11 Nov 2023 15:49:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 20:37:33.624257
• Title: Graph Meets LLMs: Towards Large Graph Models
• Title（参考訳）: GraphがLLMと出会い、大規模グラフモデルへ
• Authors: Ziwei Zhang, Haoyang Li, Zeyang Zhang, Yijian Qin, Xin Wang, Wenwu Zhu
• Abstract要約: 本稿では,大規模グラフモデルの開発に伴う課題と機会について論じる。 まず,大規模グラフモデルの所望の特性について考察する。 次に、表現ベース、グラフデータ、グラフモデルという3つの重要な視点から詳細な議論を行う。
• 参考スコア（独自算出の注目度）: 60.24970313736175
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large models have emerged as the most recent groundbreaking achievements in artificial intelligence, and particularly machine learning. However, when it comes to graphs, large models have not achieved the same level of success as in other fields, such as natural language processing and computer vision. In order to promote applying large models for graphs forward, we present a perspective paper to discuss the challenges and opportunities associated with developing large graph models. First, we discuss the desired characteristics of large graph models. Then, we present detailed discussions from three key perspectives: representation basis, graph data, and graph models. In each category, we provide a brief overview of recent advances and highlight the remaining challenges together with our visions. Finally, we discuss valuable applications of large graph models. We believe this perspective can encourage further investigations into large graph models, ultimately pushing us one step closer towards artificial general intelligence (AGI). We are the first to comprehensively study large graph models, to the best of our knowledge.
• Abstract（参考訳）: 人工知能、特に機械学習における最近の画期的な成果として、大きなモデルが現れている。 しかし、グラフに関して言えば、大きなモデルは自然言語処理やコンピュータビジョンといった他の分野と同様の成功レベルに達していない。 グラフに対する大規模モデルの適用を促進するために,我々は,大規模グラフモデルの開発に伴う課題と機会について議論する。 まず,大規模グラフモデルの望ましい特性について述べる。 次に,表現基底,グラフデータ,グラフモデルという3つの視点から詳細な議論を行う。 それぞれのカテゴリにおいて、最近の進歩の概要を簡潔に述べ、残りの課題をビジョンとともに強調します。 最後に,大規模グラフモデルの有用な応用について論じる。 この視点は、大きなグラフモデルに関するさらなる調査を促し、最終的には人工知能(AGI)に一歩近づいたと信じています。 私たちは、知識を最大限に活用するために、大規模なグラフモデルを包括的に研究した最初の人物です。

関連論文リスト

• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
  本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。 GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-02-01T02:44:32Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Curriculum Graph Machine Learning: A Survey [51.89783017927647]
  カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。 本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
  論文  参考訳（メタデータ） (2023-02-06T16:59:25Z)
• Graph Learning and Its Advancements on Large Language Models: A Holistic Survey [37.01696685233113]
  この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。 グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
  論文  参考訳（メタデータ） (2022-12-17T22:05:07Z)
• A Survey on Deep Graph Generation: Methods and Applications [22.713801558059213]
  グラフ生成は、観測されたグラフに似た分布から新しいグラフを生成することを目的としており、近年のディープラーニングモデルの発展により注目されている。 我々は,グラフ生成の既存文献について,様々な新しい手法から幅広い応用分野への総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-03-13T17:11:43Z)
• A Systematic Survey on Deep Generative Models for Graph Generation [16.546379779385575]
  グラフ生成は与えられたグラフの分布を学習し、より新しいグラフを生成する。 グラフ生成のための深部生成モデルの最近の進歩は、生成されたグラフの忠実性を改善するための重要なステップである。 本稿では,グラフ生成のための深部生成モデル分野における文献の概要について概説する。
  論文  参考訳（メタデータ） (2020-07-13T20:56:27Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。