論文の概要: Trustworthy GNNs with LLMs: A Systematic Review and Taxonomy

• arxiv url: http://arxiv.org/abs/2502.08353v1
• Date: Wed, 12 Feb 2025 12:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:49:44.706594
• Title: Trustworthy GNNs with LLMs: A Systematic Review and Taxonomy
• Title（参考訳）: LLMを用いた信頼できるGNN:システムレビューと分類学
• Authors: Ruizhan Xue, Huimin Deng, Fang He, Maojun Wang, Zeyu Zhang,
• Abstract要約: 大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)の統合により、さまざまな側面からGNNの信頼性が向上する。 このレビューでは、研究者に異なる方法の原則と応用を理解するための明確な枠組みを提供する分類法を紹介している。
• 参考スコア（独自算出の注目度）: 5.042342963087923
• License:
• Abstract: With the extensive application of Graph Neural Networks (GNNs) across various domains, their trustworthiness has emerged as a focal point of research. Some existing studies have shown that the integration of large language models (LLMs) can improve the semantic understanding and generation capabilities of GNNs, which in turn improves the trustworthiness of GNNs from various aspects. Our review introduces a taxonomy that offers researchers a clear framework for comprehending the principles and applications of different methods and helps clarify the connections and differences among various approaches. Then we systematically survey representative approaches along the four categories of our taxonomy. Through our taxonomy, researchers can understand the applicable scenarios, potential advantages, and limitations of each approach for the the trusted integration of GNNs with LLMs. Finally, we present some promising directions of work and future trends for the integration of LLMs and GNNs to improve model trustworthiness.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)の幅広い適用により、その信頼性が研究の焦点となっている。 いくつかの既存研究では、大規模言語モデル(LLM)の統合により、GNNのセマンティック理解と生成能力が向上し、様々な側面からGNNの信頼性が向上することが示されている。 本総説では,異なる手法の原理と応用を理解するための明確な枠組みを研究者に提供し,様々な手法の相互関係と相違を明らかにする。 そして、分類学の4つのカテゴリに沿って代表的アプローチを体系的に調査する。 我々の分類学を通して、研究者はGNNとLLMの信頼された統合のために、各アプローチの適用シナリオ、潜在的な利点、限界を理解することができる。 最後に,LLM と GNN の統合による信頼性向上に向けた作業の有望な方向性と今後の動向について述べる。

関連論文リスト

• Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
  大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。 最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。 GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
  論文  参考訳（メタデータ） (2025-02-12T12:13:51Z)
• Modality-Independent Graph Neural Networks with Global Transformers for Multimodal Recommendation [59.4356484322228]
  グラフニューラルネットワーク(GNN)はこの領域で有望なパフォーマンスを示している。 我々は,独立した受容場を持つGNNを別々に採用したModality-Independent Receptive Fieldsを用いたGNNを提案する。 以上の結果から,特定のデータセットの特定のモダリティに対して最適な$K$は,GNNのグローバルな情報取得能力を制限する1または2以下であることが示唆された。
  論文  参考訳（メタデータ） (2024-12-18T16:12:26Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• LOGIN: A Large Language Model Consulted Graph Neural Network Training Framework [30.54068909225463]
  我々は,GNN設計プロセスの合理化とLarge Language Models(LLM)の利点を活用して,下流タスクにおけるGNNの性能向上を目指す。 我々は,LLMs-as-Consultants(LLMs-as-Consultants)という新たなパラダイムを策定し,LLMとGNNを対話的に統合する。 両グラフのノード分類におけるLOGINの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2024-05-22T18:17:20Z)
• Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
  グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。 しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。 本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2024-03-11T21:54:52Z)
• Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions [10.753191494611892]
  グラフニューラルネットワーク(GNN)を用いた語彙データ学習 GNNは、様々なタブラルデータ学習領域にまたがって、大きな関心を集め、応用している。 この調査は、研究者や実践者のリソースとして役立ち、TDLの革命におけるGNNの役割を深く理解している。
  論文  参考訳（メタデータ） (2024-01-04T08:49:10Z)
• A Survey on Explainability of Graph Neural Networks [4.612101932762187]
  グラフニューラルネットワーク(GNN)は、グラフベースの強力なディープラーニングモデルである。 本調査は,GNNの既存の説明可能性技術の概要を概観することを目的としている。
  論文  参考訳（メタデータ） (2023-06-02T23:36:49Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Trustworthy Graph Neural Networks: Aspects, Methods and Trends [115.84291569988748]
  グラフニューラルネットワーク(GNN)は,さまざまな実世界のシナリオに対して,有能なグラフ学習手法として登場した。 パフォーマンス指向のGNNは、敵の攻撃に対する脆弱性のような潜在的な副作用を示す。 こうした意図しない害を避けるためには、信頼度に特徴付けられる有能なGNNを構築する必要がある。
  論文  参考訳（メタデータ） (2022-05-16T02:21:09Z)
• Interpreting and Unifying Graph Neural Networks with An Optimization Framework [47.44773358082203]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ学習に大きな注目を集めている。 本稿では,異なる伝搬機構と統一最適化問題との驚くほどの関連性を確立する。 提案する統一最適化フレームワークは,いくつかの代表的GNN間の共通性を要約し,柔軟に新しいGNNを設計する新たな機会を開く。
  論文  参考訳（メタデータ） (2021-01-28T08:06:02Z)

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。