論文の概要: GDS Agent for Graph Algorithmic Reasoning

• arxiv url: http://arxiv.org/abs/2508.20637v2
• Date: Wed, 05 Nov 2025 18:39:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 16:07:39.791585
• Title: GDS Agent for Graph Algorithmic Reasoning
• Title（参考訳）: グラフアルゴリズム推論のためのGDSエージェント
• Authors: Borun Shi, Ioannis Panagiotas,
• Abstract要約: 本稿では,GDS (Graph Data Science) エージェントについて紹介する。 GDSエージェントは、アルゴリズム結果の事前処理(検索)と後処理とともに、グラフアルゴリズムの包括的なセットをツールとして導入する。 その結果、GDSエージェントは幅広いグラフタスクを解くことができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) have shown remarkable multimodal information processing and reasoning ability. When equipped with tools through function calling and enhanced with retrieval-augmented techniques, compound LLM-based systems can access closed data sources and answer questions about them. However, they still struggle to process and reason over large-scale graph-structure data. We introduce the GDS (Graph Data Science) agent in this technical report. The GDS agent introduces a comprehensive set of graph algorithms as tools, together with preprocessing (retrieval) and postprocessing of algorithm results, in a model context protocol (MCP) server. The server can be used with any modern LLM out-of-the-box. GDS agent allows users to ask any question that implicitly and intrinsically requires graph algorithmic reasoning about their data, and quickly obtain accurate and grounded answers. We introduce new benchmarks that evaluate intermediate tool calls as well as final responses. The results indicate that GDS agent is able to solve a wide spectrum of graph tasks. We also provide detailed case studies for more open-ended tasks and study scenarios where the agent struggles. Finally, we discuss the remaining challenges and the future roadmap.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、目覚ましいマルチモーダル情報処理と推論能力を示している。 関数呼び出しによるツールと、検索拡張技術による強化により、LLMベースの複合システムは、クローズドなデータソースにアクセスし、それらに関する質問に答えることができる。 しかし、彼らは依然として、大規模なグラフ構造データの処理と推論に苦労している。 本稿では,GDS (Graph Data Science) エージェントについて紹介する。 GDSエージェントは、モデルコンテキストプロトコル(MCP)サーバにおいて、アルゴリズム結果の事前処理(検索)と後処理とともに、グラフアルゴリズムの包括的なセットをツールとして導入する。 サーバは、最新の LLM out-of-box で使用することができる。 GDSエージェントは、暗黙的で本質的なデータに対するグラフアルゴリズムによる推論を必要とする質問をユーザが問うことができ、正確で根拠のある回答を素早く得ることができる。 我々は、中間ツールコールと最終応答を評価する新しいベンチマークを導入する。 その結果、GDSエージェントは幅広いグラフタスクを解くことができることがわかった。 また、よりオープンなタスクに対する詳細なケーススタディや、エージェントが苦労するシナリオについて研究する。 最後に、残りの課題と今後のロードマップについて論じる。

関連論文リスト

• GraphTeam: Facilitating Large Language Model-based Graph Analysis via Multi-Agent Collaboration [43.96008600046952]
  GraphTeamは3つのモジュールから5つのLLMベースのエージェントで構成されており、異なる特殊性を持つエージェントは複雑な問題に対処するために協力することができる。 6つのグラフ分析ベンチマークの実験は、GraphTeamが最先端のパフォーマンスを達成し、精度の点で最高のベースラインよりも平均25.85%改善していることを示している。
  論文  参考訳（メタデータ） (2024-10-23T17:02:59Z)
• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [88.4320775961431]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• Language Agents as Optimizable Graphs [31.220547147952278]
  本稿では,Large Language Models (LLM) ベースのエージェントを計算グラフとして記述する。 我々のフレームワークは、様々なLSMエージェントを効率的に開発し、統合し、自動的に改善するために使用することができる。
  論文  参考訳（メタデータ） (2024-02-26T18:48:27Z)

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。