論文の概要: 'Hello, World!': Making GNNs Talk with LLMs

• arxiv url: http://arxiv.org/abs/2505.20742v1
• Date: Tue, 27 May 2025 05:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.428332
• Title: 'Hello, World!': Making GNNs Talk with LLMs
• Title（参考訳）: 「こんにちは、世界!」:GNNがLLMと話をする
• Authors: Sunwoo Kim, Soo Yong Lee, Jaemin Yoo, Kijung Shin,
• Abstract要約: グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連タスクで顕著なパフォーマンスを示している。 本稿では,大きな言語モデル (LLM) 上に構築されたGNNであるGraph Lingual Network (GLN) を提案する。 GLNはGNNのメッセージパッシングモジュールだけでなく、グラフアテンションや初期残差接続を含む高度なGNN技術も組み込んでいる。
• 参考スコア（独自算出の注目度）: 32.2407412376075
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While graph neural networks (GNNs) have shown remarkable performance across diverse graph-related tasks, their high-dimensional hidden representations render them black boxes. In this work, we propose Graph Lingual Network (GLN), a GNN built on large language models (LLMs), with hidden representations in the form of human-readable text. Through careful prompt design, GLN incorporates not only the message passing module of GNNs but also advanced GNN techniques, including graph attention and initial residual connection. The comprehensibility of GLN's hidden representations enables an intuitive analysis of how node representations change (1) across layers and (2) under advanced GNN techniques, shedding light on the inner workings of GNNs. Furthermore, we demonstrate that GLN achieves strong zero-shot performance on node classification and link prediction, outperforming existing LLM-based baseline methods.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまなグラフ関連タスクで顕著なパフォーマンスを示しているが、その高次元の隠蔽表現はブラックボックスを表現している。 本研究では,大きな言語モデル (LLM) 上に構築されたGNNであるGraph Lingual Network (GLN) を提案する。 念入りなプロンプト設計により、GLNはGNNのメッセージパッシングモジュールだけでなく、グラフアテンションや初期残差接続を含む高度なGNN技術も取り入れている。 GLNの隠された表現の理解は、(1)層をまたいだノード表現の変化の直感的な分析を可能にし、(2)高度なGNN技術の下では、GNNの内部動作に光を当てる。 さらに,GLN はノード分類とリンク予測において強いゼロショット性能を達成し,既存の LLM ベースライン法より優れていることを示す。

関連論文リスト

• Graph Neural Networks at a Fraction [1.8175282137722093]
  本稿では、四元数空間を利用してノード表現を計算するフレームワークである四元数メッセージパッシングニューラルネットワーク(QMPNN)を紹介する。 GNN や QMPNN のコンテキストにおける適用性を再定義する。
  論文  参考訳（メタデータ） (2025-02-10T03:55:09Z)
• GL-Fusion: Rethinking the Combination of Graph Neural Network and Large Language model [63.774726052837266]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を深く統合した新しいアーキテクチャを導入する。 本稿では,(1)GNNのメッセージパッシング機能を直接LLMのトランスフォーマー層に組み込む構造対応トランスフォーマー,(2)グラフノードとエッジから圧縮されていない全テキストを処理するグラフテキストクロスアテンション,(3)GNN-LLMツインプレクタ,(3)GNN-LLMツインプレクタ,3)GNNのスケーラブルなワンパス予測とともに,LLMの柔軟な自己回帰生成を実現する。
  論文  参考訳（メタデータ） (2024-12-08T05:49:58Z)
• 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)
• Graph Neural Networks are Inherently Good Generalizers: Insights by Bridging GNNs and MLPs [71.93227401463199]
  本稿では、P(ropagational)MLPと呼ばれる中間モデルクラスを導入することにより、GNNの性能向上を本質的な能力に向ける。 PMLPは、トレーニングにおいてはるかに効率的でありながら、GNNと同等(あるいはそれ以上)に動作することを観察する。
  論文  参考訳（メタデータ） (2022-12-18T08:17:32Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  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の学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• XGNN: Towards Model-Level Explanations of Graph Neural Networks [113.51160387804484]
  グラフニューラルネットワーク(GNN)は、隣の情報を集約して組み合わせることでノードの特徴を学習する。 GNNはブラックボックスとして扱われ、人間の知的な説明が欠けている。 我々はモデルレベルでGNNを解釈する新しい手法 XGNN を提案する。
  論文  参考訳（メタデータ） (2020-06-03T23:52:43Z)

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。