論文の概要: GDGB: A Benchmark for Generative Dynamic Text-Attributed Graph Learning

• arxiv url: http://arxiv.org/abs/2507.03267v1
• Date: Fri, 04 Jul 2025 02:55:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.6453
• Title: GDGB: A Benchmark for Generative Dynamic Text-Attributed Graph Learning
• Title（参考訳）: GDGB:動的テキスト分散グラフ学習のためのベンチマーク
• Authors: Jie Peng, Jiarui Ji, Runlin Lei, Zhewei Wei, Yongchao Liu, Chuntao Hong,
• Abstract要約: 生成型DyTAGベンチマーク(GDGB)は、8つの厳密にキュレートされたDyTAGデータセットと高品質なテキスト機能から構成される。 GDGB上に構築された2つの新しいDyTAG生成タスク:Transductive Dynamic Graph Generation(TDGG)とInductive Dynamic Graph Generation(IDGG)を定義する。
• 参考スコア（独自算出の注目度）: 25.487795050809503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic Text-Attributed Graphs (DyTAGs), which intricately integrate structural, temporal, and textual attributes, are crucial for modeling complex real-world systems. However, most of the existing DyTAG datasets exhibit poor textual quality, which severely limits their utility for DyTAG generation tasks requiring semantically rich inputs. Additionally, prior work mainly focuses on discriminative tasks on DyTAGs, resulting in a lack of standardized task formulations and evaluation protocols tailored for DyTAG generation. To address these critical issues, we propose Generative DyTAG Benchmark (GDGB), which comprises eight meticulously curated DyTAG datasets with high-quality textual features for both nodes and edges, overcoming limitations of prior datasets. Building on GDGB, we define two novel DyTAG generation tasks: Transductive Dynamic Graph Generation (TDGG) and Inductive Dynamic Graph Generation (IDGG). TDGG transductively generates a target DyTAG based on the given source and destination node sets, while the more challenging IDGG introduces new node generation to inductively model the dynamic expansion of real-world graph data. To enable holistic evaluation, we design multifaceted metrics that assess the structural, temporal, and textual quality of the generated DyTAGs. We further propose GAG-General, an LLM-based multi-agent generative framework tailored for reproducible and robust benchmarking of DyTAG generation. Experimental results demonstrate that GDGB enables rigorous evaluation of TDGG and IDGG, with key insights revealing the critical interplay of structural and textual features in DyTAG generation. These findings establish GDGB as a foundational resource for advancing generative DyTAG research and unlocking further practical applications in DyTAG generation. GDGB datasets, source codes, and leaderboards are available at \href{https://gdgb-algo.github.io/}{here}.
• Abstract（参考訳）: DyTAG(Dynamic Text-Attributed Graphs)は、複雑な現実世界のシステムのモデリングに不可欠である。 しかし、既存のDyTAGデータセットのほとんどはテキスト品質が劣っているため、意味的にリッチな入力を必要とするDyTAG生成タスクの利便性を著しく制限している。 さらに、従来の研究は主にDyTAGの識別タスクに焦点を当てており、結果として標準化されたタスクの定式化やDyTAG生成に適した評価プロトコルが欠如している。 このような重要な問題に対処するために、我々は8つの厳密にキュレートされたDyTAGデータセットからなるGenerative DyTAG Benchmark (GDGB)を提案する。 GDGB上に構築されたDyTAG生成タスクには,Transductive Dynamic Graph Generation(TDGG)とInductive Dynamic Graph Generation(IDGG)の2つがある。 TDGGは、与えられたソースと宛先ノードセットに基づいてターゲットDyTAGをトランスダクティブに生成する一方、より困難なIDGGは新しいノード生成を導入し、実世界のグラフデータの動的拡張を誘導的にモデル化する。 総合評価を実現するために,生成したDyTAGの構造,時間的,テキスト的品質を評価する多面的メトリクスを設計する。 さらに,DyTAG 生成の再現性と堅牢なベンチマークに適した LLM ベースのマルチエージェント生成フレームワークである GAG-General を提案する。 実験結果から,GDGBはTDGGとIDGGの厳密な評価を可能にし,DyTAG生成における構造的特徴とテキスト的特徴の致命的な相互作用を明らかにすることが示唆された。 これらの知見は、GDGBを、DyTAG研究を推進し、DyTAG生成におけるさらなる実践的応用を解き放つための基盤資源として確立している。 GDGBデータセット、ソースコード、およびリーダーボードは、 \href{https://gdgb-algo.github.io/}{here}で入手できる。

関連論文リスト

• H$^2$GFM: Towards unifying Homogeneity and Heterogeneity on Text-Attributed Graphs [6.601515580215021]
  H$2$GFM は HoTAG と HeTAG の両方にまたがって一般化するために設計された新しいフレームワークである。 我々のモデルは、統一テキスト空間下でのグラフ間の多様なメタ関係を計画する。 グラフ型間の構造パターンの不均一性を捉えるために,CGT専門家の混在を用いる。
  論文  参考訳（メタデータ） (2025-06-10T00:03:56Z)
• Retrieval-Augmented Generation with Graphs (GraphRAG) [84.29507404866257]
  Retrieval-augmented Generation (RAG) は、追加情報を取得することによって下流タスクの実行を向上させる強力な技術である。 グラフは、その固有の「エッジで接続されたノード」の性質により、巨大な異種情報と関係情報を符号化する。 従来のRAGとは異なり、多種多様な形式とドメイン固有の関係知識のようなグラフ構造化データのユニークさは、異なるドメインでGraphRAGを設計する際、ユニークで重要な課題を生じさせる。
  論文  参考訳（メタデータ） (2024-12-31T06:59:35Z)
• DTGB: A Comprehensive Benchmark for Dynamic Text-Attributed Graphs [28.340416573162898]
  動的テキスト分散グラフ(DyTAG)は、様々な実世界のシナリオで一般的である。 幅広い適用性にもかかわらず、DyTAGに合わせたベンチマークデータセットは、顕著に不足している。 大規模な時間進化グラフのコレクションである動的テキスト分散グラフベンチマーク(DTGB)を導入する。
  論文  参考訳（メタデータ） (2024-06-17T20:16:12Z)
• Deliberate then Generate: Enhanced Prompting Framework for Text Generation [70.10319005141888]
  Deliberate then Generate (DTG) プロンプトフレームワークはエラー検出命令とエラーを含む可能性のある候補で構成されている。 我々は、要約、翻訳、対話など、7つのテキスト生成タスクにまたがる20以上のデータセットに関する広範な実験を行う。 本稿では,DTGが既存のプロンプト手法を一貫して上回り,複数のテキスト生成タスクにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2023-05-31T13:23:04Z)
• Harnessing Explanations: LLM-to-LM Interpreter for Enhanced Text-Attributed Graph Representation Learning [51.90524745663737]
  重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。 提案手法は、確立されたTAGデータセットの最先端結果を実現する。 本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
  論文  参考訳（メタデータ） (2023-05-31T03:18:03Z)

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。