論文の概要: Using Large Language Models to Tackle Fundamental Challenges in Graph Learning: A Comprehensive Survey
- arxiv url: http://arxiv.org/abs/2505.18475v1
- Date: Sat, 24 May 2025 02:38:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-27 16:58:42.44711
- Title: Using Large Language Models to Tackle Fundamental Challenges in Graph Learning: A Comprehensive Survey
- Title（参考訳）: 大規模言語モデルを用いてグラフ学習の基本課題に取り組む - 総合的な調査
- Authors: Mengran Li, Pengyu Zhang, Wenbin Xing, Yijia Zheng, Klim Zaporojets, Junzhou Chen, Ronghui Zhang, Yong Zhang, Siyuan Gong, Jia Hu, Xiaolei Ma, Zhiyuan Liu, Paul Groth, Marcel Worring,
- Abstract要約: 実世界のグラフデータは、しばしば従来のグラフ学習法の前提に反する。
大規模言語モデル(LLM)の最近の進歩は、これらの課題に取り組む可能性を秘めている。
- 参考スコア（独自算出の注目度）: 38.05140658792701
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graphs are a widely used paradigm for representing non-Euclidean data, with applications ranging from social network analysis to biomolecular prediction. Conventional graph learning approaches typically rely on fixed structural assumptions or fully observed data, limiting their effectiveness in more complex, noisy, or evolving settings. Consequently, real-world graph data often violates the assumptions of traditional graph learning methods, in particular, it leads to four fundamental challenges: (1) Incompleteness, real-world graphs have missing nodes, edges, or attributes; (2) Imbalance, the distribution of the labels of nodes or edges and their structures for real-world graphs are highly skewed; (3) Cross-domain Heterogeneity, graphs from different domains exhibit incompatible feature spaces or structural patterns; and (4) Dynamic Instability, graphs evolve over time in unpredictable ways. Recent advances in Large Language Models (LLMs) offer the potential to tackle these challenges by leveraging rich semantic reasoning and external knowledge. This survey provides a comprehensive review of how LLMs can be integrated with graph learning to address the aforementioned challenges. For each challenge, we review both traditional solutions and modern LLM-driven approaches, highlighting how LLMs contribute unique advantages. Finally, we discuss open research questions and promising future directions in this emerging interdisciplinary field. To support further exploration, we have curated a repository of recent advances on graph learning challenges: https://github.com/limengran98/Awesome-Literature-Graph-Learning-Challenges.
- Abstract（参考訳）: グラフは、ソーシャルネットワーク分析から生体分子予測に至るまで、非ユークリッドデータを表現するために広く使われているパラダイムである。
従来のグラフ学習アプローチは、一般的に、固定された構造的仮定や完全に観察されたデータに依存し、より複雑でうるさい、あるいは進化する設定での有効性を制限する。
その結果、実世界のグラフデータは従来のグラフ学習手法の仮定に反することが多く、(1)不完全性、実世界のグラフにはノード、エッジ、属性が欠けていること、(2)ノードやエッジのラベルとその構造が高度に歪められていること、(3)ドメイン間の異質性、異なるドメインのグラフは互換性のない特徴空間や構造パターンを示すこと、(4)動的不安定性、グラフは予測不可能な方法で時間とともに進化する。
LLM(Large Language Models)の最近の進歩は、リッチなセマンティック推論と外部知識を活用することによって、これらの課題に取り組む可能性を秘めている。
この調査は、前述の課題に対処するために、LCMをグラフ学習と統合する方法の包括的なレビューを提供する。
それぞれの課題に対して、従来のソリューションと現代のLLM駆動アプローチの両方をレビューし、LLMがユニークな利点にどのように貢献するかを強調します。
最後に,この新たな学際分野におけるオープンな研究課題と今後の方向性について論じる。
さらなる探索をサポートするため、グラフ学習の課題に関する最近の進歩のリポジトリをキュレートした。
関連論文リスト
- Towards Data-centric Machine Learning on Directed Graphs: a Survey [23.498557237805414]
本稿では,有向グラフ学習研究のための新しい分類法を提案する。
我々はこれらの手法をデータ中心の観点から再検討し、データ表現の理解と改善に重点を置いている。
我々はこの分野における主要な機会と課題を特定し、有向グラフ学習における将来の研究と開発を導く洞察を提供する。
論文 参考訳（メタデータ） (2024-11-28T06:09:12Z) - Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。
この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
論文 参考訳（メタデータ） (2024-08-26T06:36:42Z) - A Survey of Large Language Models for Graphs [21.54279919476072]
我々は、グラフ学習に適用された最新の最先端の大規模言語モデルについて、詳細なレビューを行う。
フレームワーク設計に基づいて既存の手法を分類する新しい分類法を提案する。
各フレームワークの長所と短所について検討し,今後の研究への可能性を強調する。
論文 参考訳（メタデータ） (2024-05-10T18:05:37Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。
主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。
この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文 参考訳（メタデータ） (2024-03-02T08:05:03Z) - Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。
従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。
アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
論文 参考訳（メタデータ） (2024-02-18T12:24:45Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding
and Reasoning [54.84870836443311]
本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。
このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。
研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
論文 参考訳（メタデータ） (2023-12-16T08:14:11Z) - A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and
Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。
グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。
しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。
これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文 参考訳（メタデータ） (2023-08-26T09:11:44Z) - Continual Graph Learning: A Survey [4.618696834991205]
連続学習(CL)の研究は主にユークリッド空間で表されるデータに焦点を当てている。
ほとんどのグラフ学習モデルは静的グラフ用に調整されている。
グラフ学習モデルが漸進的にトレーニングされるとき、破滅的な忘れ方も現れます。
論文 参考訳（メタデータ） (2023-01-28T15:42:49Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - Hyperbolic Graph Learning: A Comprehensive Review [56.53820115624101]
本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。
我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。
我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z)
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。