Fugu-MT 論文翻訳(概要): Court of LLMs: Evidence-Augmented Generation via Multi-LLM Collaboration for Text-Attributed Graph Anomaly Detection

論文の概要: Court of LLMs: Evidence-Augmented Generation via Multi-LLM Collaboration for Text-Attributed Graph Anomaly Detection

arxiv url: http://arxiv.org/abs/2508.00507v1
Date: Fri, 01 Aug 2025 10:36:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.835541
Title: Court of LLMs: Evidence-Augmented Generation via Multi-LLM Collaboration for Text-Attributed Graph Anomaly Detection
Title（参考訳）: Court of LLMs: テキスト分散グラフ異常検出のためのマルチLLMコラボレーションによるエビデンス強化生成
Authors: Yiming Xu, Jiarun Chen, Zhen Peng, Zihan Chen, Qika Lin, Lan Ma, Bin Shi, Bo Dong,
Abstract要約: 大きな言語モデル(LLM)は、強力なセマンティック理解と推論能力のために、有望な代替手段として登場した。本稿では,LLMとグラフニューラルネットワーク(GNN)を組み合わせた新たなフレームワークであるCoLLを提案する。
参考スコア（独自算出の注目度）: 21.810411783179593
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The natural combination of intricate topological structures and rich textual information in text-attributed graphs (TAGs) opens up a novel perspective for graph anomaly detection (GAD). However, existing GAD methods primarily focus on designing complex optimization objectives within the graph domain, overlooking the complementary value of the textual modality, whose features are often encoded by shallow embedding techniques, such as bag-of-words or skip-gram, so that semantic context related to anomalies may be missed. To unleash the enormous potential of textual modality, large language models (LLMs) have emerged as promising alternatives due to their strong semantic understanding and reasoning capabilities. Nevertheless, their application to TAG anomaly detection remains nascent, and they struggle to encode high-order structural information inherent in graphs due to input length constraints. For high-quality anomaly detection in TAGs, we propose CoLL, a novel framework that combines LLMs and graph neural networks (GNNs) to leverage their complementary strengths. CoLL employs multi-LLM collaboration for evidence-augmented generation to capture anomaly-relevant contexts while delivering human-readable rationales for detected anomalies. Moreover, CoLL integrates a GNN equipped with a gating mechanism to adaptively fuse textual features with evidence while preserving high-order topological information. Extensive experiments demonstrate the superiority of CoLL, achieving an average improvement of 13.37% in AP. This study opens a new avenue for incorporating LLMs in advancing GAD.
Abstract（参考訳）: テキスト分散グラフ(TAG)における複雑なトポロジ構造とリッチテキスト情報の自然な組み合わせは、グラフ異常検出(GAD)の新たな視点を開く。しかし、既存のGAD法は主にグラフ領域内の複雑な最適化目的を設計することに焦点を当てており、バグ・オブ・ワードやスキップ・グラムといった浅い埋め込み技術によってしばしば符号化されるテキストモダリティの相補的な価値を見越して、異常に関連する意味的コンテキストを見逃す可能性がある。テキストモダリティの巨大なポテンシャルを解き放つために、大きな言語モデル(LLM)は、強力なセマンティック理解と推論能力のために、有望な代替手段として登場した。それでも、それらのTAG異常検出への応用は未熟であり、入力長制約によるグラフ固有の高次構造情報の符号化に苦慮している。 TAGにおける高品質な異常検出のために,LLMとグラフニューラルネットワーク(GNN)を組み合わせた新しいフレームワークであるCoLLを提案する。 CoLLは、検出された異常に対する人間可読な合理性を提供しながら、異常関連コンテキストをキャプチャするために、エビデンス強化世代にマルチLLMコラボレーションを採用している。さらに、CoLLはゲーティング機構を備えたGNNを統合し、高次トポロジ情報を保持しながら、テキストの特徴と証拠を適応的に融合する。大規模な実験はCoLLの優位性を示し、APで平均13.37%の改善を達成した。本研究は,GADの進行にLDMを取り入れるための新たな道を開くものである。

関連論文リスト

Text-Attributed Graph Anomaly Detection via Multi-Scale Cross- and Uni-Modal Contrastive Learning [19.634966556695897]
本稿では,テキスト分散グラフ異常検出のための新しいエンドツーエンドパラダイムCMUCLを提案する。テキストとグラフ構造の両方からのデータを同時にモデル化し、クロスモーダルおよびユニモーダル推定器を用いてテキストとグラフエンコーダを共同で訓練し、潜在的な異常関連情報を明らかにする。
論文参考訳（メタデータ） (2025-08-01T10:47:07Z)
DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs [55.13817504780764]
実世界の不正検出アプリケーションは、しばしばテキストデータに富んだノード特徴とグラフ構造情報を共同で活用するグラフ学習技術の恩恵を受ける。グラフ強化LSMは、グラフ情報をプロンプトに変換する、有望なグラフ学習アプローチとして登場します。目的ノードの細粒度テキストの詳細を保存し,情報過負荷を軽減するDGPを提案する。
論文参考訳（メタデータ） (2025-07-29T10:10:47Z)
Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文参考訳（メタデータ） (2025-06-11T12:03:52Z)
Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [75.9865035064794]
大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
論文参考訳（メタデータ） (2025-05-22T05:15:27Z)
A Tripartite Perspective on GraphRAG [0.0]
大規模言語モデル(LLM)は、様々な領域で顕著な能力を示してきたが、知識集約的なタスクに苦戦している。主な制限は、幻覚の傾向、ソーストレーサビリティの欠如(証明)、タイムリーな知識更新における課題である。本稿では,LLMと三部構造知識グラフ表現を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2025-04-28T10:43:35Z)
Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [64.74977204942199]
幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
論文参考訳（メタデータ） (2025-04-14T10:06:27Z)
Advanced Text Analytics -- Graph Neural Network for Fake News Detection in Social Media [0.0]
本稿では,ATA-GNN(Advanced Text Analysis Graph Neural Network)を提案する。 ATA-GNNは、各トピックの典型的な単語を特定するために、革新的なトピックモデリング(クラスタリング)技術を採用している。広く使われているベンチマークデータセットの大規模な評価は、ATA-GNNが現在のGNNベースのFND法の性能を上回ることを示している。
論文参考訳（メタデータ） (2025-02-22T09:17:33Z)
Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
論文参考訳（メタデータ） (2024-09-16T03:05:11Z)
Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
論文参考訳（メタデータ） (2024-05-28T20:54:47Z)
G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
論文参考訳（メタデータ） (2024-05-09T08:28:12Z)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。