論文の概要: Harnessing Adaptive Topology Representations for Zero-Shot Graph Question Answering

• arxiv url: http://arxiv.org/abs/2508.06345v1
• Date: Fri, 08 Aug 2025 14:18:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.254738
• Title: Harnessing Adaptive Topology Representations for Zero-Shot Graph Question Answering
• Title（参考訳）: ゼロショットグラフ質問応答に対する適応的トポロジー表現のハーネス化
• Authors: Yanbin Wei, Jiangyue Yan, Chun Kang, Yang Chen, Hua Liu, James T. Kwok, Yu Zhang,
• Abstract要約: 我々は,グラフ質問応答タスクの精度と簡潔性の向上を目的としたDynamicTRFを開発した。 具体的に言うと、DynamicTRFはまず、GREスコアに基づいてTRFをランク付けするTRF Preferenceデータセットを作成する。 その後、TRFデータセット上のTRFルータをトレーニングし、各質問に対して$F_ZS$から最適なTRFを適応的に割り当てる。
• 参考スコア（独自算出の注目度）: 25.765961733513933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Multimodal Models (LMMs) have shown generalized zero-shot capabilities in diverse domain question-answering (QA) tasks, including graph QA that involves complex graph topologies. However, most current approaches use only a single type of graph representation, namely Topology Representation Form (TRF), such as prompt-unified text descriptions or style-fixed visual styles. Those "one-size-fits-all" approaches fail to consider the specific preferences of different models or tasks, often leading to incorrect or overly long responses. To address this, we first analyze the characteristics and weaknesses of existing TRFs, and then design a set of TRFs, denoted by $F_{ZS}$, tailored to zero-shot graph QA. We then introduce a new metric, Graph Response Efficiency (GRE), which measures the balance between the performance and the brevity in graph QA. Built on these, we develop the DynamicTRF framework, which aims to improve both the accuracy and conciseness of graph QA. To be specific, DynamicTRF first creates a TRF Preference (TRFP) dataset that ranks TRFs based on their GRE scores, to probe the question-specific TRF preferences. Then it trains a TRF router on the TRFP dataset, to adaptively assign the best TRF from $F_{ZS}$ for each question during the inference. Extensive experiments across 7 in-domain algorithmic graph QA tasks and 2 out-of-domain downstream tasks show that DynamicTRF significantly enhances the zero-shot graph QA of LMMs in terms of accuracy
• Abstract（参考訳）: 大規模マルチモーダルモデル(LMM)は、複雑なグラフトポロジを含む様々な領域質問応答(QA)タスクにおいて、一般化されたゼロショット機能を示している。 しかし、現在のほとんどのアプローチでは、トポロジー表現形式(Topology Representation Form, TRF)と呼ばれる1種類のグラフ表現しか使用していない。 アプローチは、異なるモデルやタスクの特定の好みを考慮せず、しばしば誤った、あるいは過度に長いレスポンスをもたらす。 これを解決するために、我々はまず既存のRFの特徴と弱点を分析し、次にゼロショットグラフQAに合わせて$F_{ZS}$で表される一連のRFを設計する。 次に、グラフQAの性能と簡潔さのバランスを計測するグラフ応答効率(GRE)という新しい指標を導入する。 これらに基づいて構築されたDynamicTRFフレームワークは,グラフQAの精度と簡潔性を両立することを目的としている。 具体的に言うと、DynamicTRFはまずTRF Preference(TRFP)データセットを作成し、GREスコアに基づいてTRFをランク付けし、質問固有のTRF選好を探索する。 次に、TRFPデータセット上のTRFルータをトレーニングし、推論中に各質問に対して$F_{ZS}$から最適なTRFを適応的に割り当てる。 7つのドメイン内アルゴリズムグラフQAタスクと2つのドメイン外ダウンストリームタスクの広範な実験により、DynamicTRFは精度の観点からLMMのゼロショットグラフQAを大幅に向上することが示された。

関連論文リスト

• AGENTICT$^2$S:Robust Text-to-SPARQL via Agentic Collaborative Reasoning over Heterogeneous Knowledge Graphs for the Circular Economy [42.73610751710192]
  AgenticT$2$Sは、知識グラフを専門エージェントが管理するサブタスクに分解するフレームワークである。 2段階検証器は、構造的に無効で意味的に不特定なクエリを検出する。 実世界の循環経済の実験では、AgenticT$2$Sが実行精度を17.3%向上することを示した。
  論文  参考訳（メタデータ） (2025-08-03T15:58:54Z)
• Visual-RFT: Visual Reinforcement Fine-Tuning [75.20572976629646]
  OpenAI o1のような大規模推論モデルにおける強化ファインチューニング(RFT)は、回答に対するフィードバックから学ぶ。 Visual-RFTはさらに、視覚タスクにおけるRTTの適用領域を拡張している。
  論文  参考訳（メタデータ） (2025-03-03T18:16:32Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Graph Guided Question Answer Generation for Procedural Question-Answering [29.169773816553153]
  本稿では,タスク固有質問応答(QA)モデルのための,完全かつ高品質なトレーニングデータを生成する方法を提案する。 キーテクノロジー・イネーブルは、手続き的テキストから質問応答自動生成のための新しいメカニズムである。 GPT3 や ChatGPT を超越しても,本データを用いて訓練した小型モデルは,目標QA タスクにおいて優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-01-24T17:01:42Z)
• MinPrompt: Graph-based Minimal Prompt Data Augmentation for Few-shot Question Answering [64.6741991162092]
  オープンドメイン質問応答のための最小限のデータ拡張フレームワークMinPromptを提案する。 我々は、生テキストをグラフ構造に変換し、異なる事実文間の接続を構築する。 次に、グラフアルゴリズムを適用して、原文のほとんどの情報をカバーするのに必要な最小限の文の集合を識別する。 同定された文サブセットに基づいてQAペアを生成し、選択した文に基づいてモデルをトレーニングし、最終モデルを得る。
  論文  参考訳（メタデータ） (2023-10-08T04:44:36Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)

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。