論文の概要: ReaGAN: Node-as-Agent-Reasoning Graph Agentic Network

• arxiv url: http://arxiv.org/abs/2508.00429v3
• Date: Mon, 11 Aug 2025 08:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 13:12:52.226684
• Title: ReaGAN: Node-as-Agent-Reasoning Graph Agentic Network
• Title（参考訳）: ReaGAN: Node-as-Agent-Reasoning Graph Agentic Network
• Authors: Minghao Guo, Xi Zhu, Jingyuan Huang, Kai Mei, Yongfeng Zhang,
• Abstract要約: グラフ学習のための検索拡張グラフエージェントネットワーク(ReaGAN)を提案する。 各ノードは、その内部メモリに基づいて、独立して次のアクションを計画するエージェントとして機能する。 RAGはノードが意味論的に関連のあるコンテンツにアクセスし、グラフにグローバルな関係を構築することを可能にする。
• 参考スコア（独自算出の注目度）: 33.88839381723637
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved remarkable success in graph-based learning by propagating information among neighbor nodes via predefined aggregation mechanisms. However, such fixed schemes often suffer from two key limitations. First, they cannot handle the imbalance in node informativeness -- some nodes are rich in information, while others remain sparse. Second, predefined message passing primarily leverages local structural similarity while ignoring global semantic relationships across the graph, limiting the model's ability to capture distant but relevant information. We propose Retrieval-augmented Graph Agentic Network (ReaGAN), an agent-based framework that empowers each node with autonomous, node-level decision-making. Each node acts as an agent that independently plans its next action based on its internal memory, enabling node-level planning and adaptive message propagation. Additionally, retrieval-augmented generation (RAG) allows nodes to access semantically relevant content and build global relationships in the graph. ReaGAN achieves competitive performance under few-shot in-context settings using a frozen LLM backbone without fine-tuning, showcasing the potential of agentic planning and local-global retrieval in graph learning.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,事前定義された集約機構を通じて近隣ノード間で情報を伝達することにより,グラフベースの学習において顕著な成功を収めた。 しかし、そのような固定的なスキームはしばしば2つの重要な制限に悩まされる。 まず、ノードのインフォメーション性の不均衡を扱うことはできない -- 一部のノードは情報に富んでいるが、他のノードは疎いままである。 第二に、事前定義されたメッセージパッシングは、主に局所的な構造的類似性を活用しながら、グラフ全体にわたるグローバルな意味関係を無視し、モデルが遠いが関連する情報をキャプチャする能力を制限する。 Retrieval-augmented Graph Agentic Network (ReaGAN)を提案する。 各ノードは、その内部メモリに基づいて、独立して次のアクションを計画するエージェントとして機能し、ノードレベルの計画と適応メッセージの伝搬を可能にする。 さらに、検索拡張生成(RAG)により、ノードは意味的に関連するコンテンツにアクセスし、グラフにグローバルな関係を構築することができる。 ReaGANは、微調整なしで冷凍LDMバックボーンを用いて、数ショットのインコンテキスト設定下での競合性能を実現し、グラフ学習におけるエージェント計画と局所言語検索の可能性を示す。

関連論文リスト

• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
  Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。 GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
  論文  参考訳（メタデータ） (2024-11-19T08:32:14Z)
• RBA-GCN: Relational Bilevel Aggregation Graph Convolutional Network for Emotion Recognition [38.87080348908327]
  本稿ではリレーショナル・バイレベル・アグリゲーショングラフ畳み込みネットワーク(RBA-GCN)について述べる。 グラフ生成モジュール(GGM)、類似性に基づくクラスタ構築モジュール(SCBM)、バイレベルアグリゲーションモジュール(BiAM)の3つのモジュールで構成されている。 IEMOCAPとMELDの両方のデータセットでは、RAB-GCNの重み付き平均F1スコアは、最も高度な手法よりも2.17$sim$5.21%改善されている。
  論文  参考訳（メタデータ） (2023-08-18T11:29:12Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• Graph Ordering Attention Networks [22.468776559433614]
  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に関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Node-wise Localization of Graph Neural Networks [52.04194209002702]
  グラフニューラルネットワーク(GNN)は、グラフ上の表現学習モデルの強力なファミリーとして出現する。 グラフのグローバルな側面とローカルな側面の両方を考慮し,GNNのノードワイドなローカライゼーションを提案する。 我々は,4つのベンチマークグラフに対して広範な実験を行い,最先端のGNNを超える有望な性能を継続的に獲得する。
  論文  参考訳（メタデータ） (2021-10-27T10:02:03Z)
• Asymmetric Graph Representation Learning [13.195785825237621]
  情報フローが非対称であり、有向グラフにつながる膨大なアプリケーション。 有向エッジは、情報はスタートノードからエンドノードまでしか転送できないが、後方には転送できないことを示す。 このような一方的な情報伝達を取り入れたグラフ解析のための,シンプルかつ極めて効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:03:18Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)

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。