論文の概要: Sequential Ordering in Textual Descriptions: Impact on Spatial
Perception Abilities of Large Language Models
- arxiv url: http://arxiv.org/abs/2402.07140v1
- Date: Sun, 11 Feb 2024 09:46:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 17:18:47.240111
- Title: Sequential Ordering in Textual Descriptions: Impact on Spatial
Perception Abilities of Large Language Models
- Title(参考訳): 文章記述における逐次順序付け:大規模言語モデルの空間知覚能力への影響
- Authors: Yuyao Ge, Shenghua Liu, Lingrui Mei, Lizhe Chen, Xueqi Cheng
- Abstract要約: 大規模言語モデルは、複数のドメインで最先端のパフォーマンスに達しています。
我々の研究は LLM を用いたグラフ推論を徹底的に研究することで、このギャップを深く掘り下げている。
グラフ記述型テキストシーケンスを変更することで、LLMの性能を42.22%から70%に向上させる。
- 参考スコア(独自算出の注目度): 43.09518982114211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, Large Language Models have reached state-of-the-art
performance across multiple domains. However, the progress in the field of
graph reasoning remains limited. Our work delves into this gap by thoroughly
investigating graph reasoning with LLM. In this work, we reveal the impact of
text sequence on LLM spatial understanding, finding that graph-descriptive text
sequences significantly affect LLM reasoning performance on graphs. By altering
the graph-descriptive text sequences, we enhance the performance of LLM from
42.22\% to 70\%. Furthermore, we evaluate the relationship between LLM
performance and graph size, discovering that the reasoning performance of LLM
does not monotonically decrease with the increase in graph size. Conclusively,
we introduce the Scaled Graph Reasoning benchmark for assessing LLM performance
across varied graph sizes.
- Abstract(参考訳): 近年、Large Language Modelsは複数のドメインで最先端のパフォーマンスを実現している。
しかし、グラフ推論の分野の進歩は限られている。
LLMを用いたグラフ推論を徹底的に研究することで、このギャップを埋めることができます。
本研究では,テキスト列がllm空間理解に与える影響を明らかにし,グラフ記述文列がllm推論性能に大きく影響することを示す。
グラフ記述型テキストシーケンスを変更することにより, LLM の性能を 42.22 % から 70 % に向上させる。
さらに,LLMの性能とグラフサイズとの関係を評価し,LLMの推論性能がグラフサイズの増加とともに単調に低下しないことを示した。
包括的に、様々なグラフサイズでLLM性能を評価するためのスケールドグラフ推論ベンチマークを導入する。
関連論文リスト
- A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications [4.777453721753589]
大規模言語モデル(LLM)は、様々なNLPおよびマルチモードタスクを扱う強力な一般化能力を示した。
グラフ学習モデルと比較して、LLMはグラフタスクの一般化の課題に対処する上で、優れたアドバンテージを持っている。
LLM-based generative graph analysis (LLM-GGA) の重要な問題点を3つのカテゴリで検討した。
論文 参考訳(メタデータ) (2024-04-23T07:39:24Z) - Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [56.073652738501394]
大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。
既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。
本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-10T15:41:53Z) - Exploring the Potential of Large Language Models in Graph Generation [51.046188600990014]
グラフ生成は、与えられたプロパティを持つグラフを生成するために、大きな言語モデル(LLM)を必要とする。
本稿では,LLMのグラフ生成能力について,系統的なタスク設計と実験による検討を行う。
評価の結果,LLM,特にGPT-4は,グラフ生成タスクに予備的能力を示すことがわかった。
論文 参考訳(メタデータ) (2024-03-21T12:37:54Z) - LLaGA: Large Language and Graph Assistant [73.71990472543027]
大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。
LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。
実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
論文 参考訳(メタデータ) (2024-02-13T02:03:26Z) - Disentangled Representation Learning with Large Language Models for
Text-Attributed Graphs [57.052160123387104]
本稿では,TAGに対するLLMの推論と予測能力を向上させることができるDGTLモデルを提案する。
提案するDGTLモデルでは, グラフ構造情報をGNN層に組み込む。
実験により,提案したDGTLモデルにより,最先端のベースラインよりも優れた性能,あるいは同等の性能が得られることを示した。
論文 参考訳(メタデータ) (2023-10-27T14:00:04Z) - GraphLLM: Boosting Graph Reasoning Ability of Large Language Model [7.218768686958888]
GraphLLMは、グラフ学習モデルと大規模言語モデルを統合する、先駆的なエンドツーエンドアプローチである。
4つの基本グラフ推論タスクにおける経験的評価により,GraphLLMの有効性が検証された。
その結果、54.44%の精度が向上し、96.45%の文脈が短縮された。
論文 参考訳(メタデータ) (2023-10-09T16:42:00Z) - Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。
LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。
本稿では、そのような統合を2つの主要なカテゴリに分岐する。
論文 参考訳(メタデータ) (2023-10-09T07:59:34Z) - Beyond Text: A Deep Dive into Large Language Models' Ability on
Understanding Graph Data [13.524529952170672]
大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて顕著な性能を達成している。
LLMがグラフデータを効果的に処理し、トポロジ構造を利用して性能を向上させることができるかどうかを評価することを目的とする。
LLMの性能を特殊グラフモデルと比較することにより、グラフ解析にLLMを使用する際の長所と短所について考察する。
論文 参考訳(メタデータ) (2023-10-07T23:25:22Z)
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。