論文の概要: Automated Decision-Making on Networks with LLMs through Knowledge-Guided Evolution

• arxiv url: http://arxiv.org/abs/2506.14529v1
• Date: Tue, 17 Jun 2025 13:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.498304
• Title: Automated Decision-Making on Networks with LLMs through Knowledge-Guided Evolution
• Title（参考訳）: 知識誘導進化によるLLMネットワーク上の自動決定処理
• Authors: Xiaohan Zheng, Lanning Wei, Yong Li, Quanming Yao,
• Abstract要約: 大規模言語モデルを用いてグラフニューラルネットワーク(GNN)を自動設計する方法を示す。 本システムでは,グラフ関連ノウベースを構築し,検索・拡張生成を利用するエージェントの集合を開発する。 これらのエージェントは専門知識ベースを備えており、知識ベースと対話することでタスクやグラフ構造に関する洞察を抽出する。
• 参考スコア（独自算出の注目度）: 27.23265782420275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective decision-making on networks often relies on learning from graph-structured data, where Graph Neural Networks (GNNs) play a central role, but they take efforts to configure and tune. In this demo, we propose LLMNet, showing how to design GNN automated through Large Language Models. Our system develops a set of agents that construct graph-related knowlege bases and then leverages Retrieval-Augmented Generation (RAG) to support automated configuration and refinement of GNN models through a knowledge-guided evolution process. These agents, equipped with specialized knowledge bases, extract insights into tasks and graph structures by interacting with the knowledge bases. Empirical results show LLMNet excels in twelve datasets across three graph learning tasks, validating its effectiveness of GNN model designing.
• Abstract（参考訳）: ネットワーク上の効果的な意思決定は、グラフ構造化データから学ぶことに依存することが多く、グラフニューラルネットワーク(GNN)が中心的な役割を果たすが、設定とチューニングに努力する。 本稿ではLLMNetを提案し,大規模言語モデルによるGNNの自動設計方法を示す。 本システムでは,グラフ関連ノウレゲベースを構築するエージェントのセットを開発し,その上でRetrieval-Augmented Generation(RAG)を活用し,知識誘導進化プロセスを通じてGNNモデルの自動構成と改良を支援する。 これらのエージェントは専門知識ベースを備えており、知識ベースと対話することでタスクやグラフ構造に関する洞察を抽出する。 実験の結果、LLMNetは3つのグラフ学習タスクにまたがる12のデータセットに優れており、GNNモデル設計の有効性を検証している。

関連論文リスト

• Large Language Models Meet Graph Neural Networks: A Perspective of Graph Mining [2.8843412675137343]
  本稿では,この学際分野の研究のための新しい分類法を提案する。GNN-driving-LLM,GNN-driving-GNN,GNN-LLM-drivingの3つの主要なカテゴリを含む。 大規模言語モデルはグラフ構造化データを扱う大きな可能性を示しているが、高い計算要求と複雑さは依然として課題である。
  論文  参考訳（メタデータ） (2024-12-26T13:21:09Z)
• Learning From Graph-Structured Data: Addressing Design Issues and Exploring Practical Applications in Graph Representation Learning [2.492884361833709]
  グラフ表現学習とグラフニューラルネットワーク(GNN)の最近の進歩を概観する。 グラフ構造化データを扱うように設計されたGNNは、複雑な関係情報から洞察と予測を引き出すのに長けている。 我々の研究は、GNNの能力を掘り下げ、その基礎設計と現実の課題に対処するための応用について調べている。
  論文  参考訳（メタデータ） (2024-11-09T19:10:33Z)
• 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)
• Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
  言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。 本稿では,課題計画のためのグラフ学習に基づく手法について検討する。 我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
  論文  参考訳（メタデータ） (2024-05-29T14:26:24Z)
• 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)
• Ensemble Learning for Graph Neural Networks [28.3650473174488]
  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から学習するための様々な分野で成功している。 本稿では,GNNの性能とロバスト性向上のためのアンサンブル学習手法の適用について検討する。
  論文  参考訳（メタデータ） (2023-10-22T03:55:13Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。