論文の概要: Modeling Hypergraph Using Large Language Models

• arxiv url: http://arxiv.org/abs/2510.11728v1
• Date: Thu, 09 Oct 2025 04:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.010136
• Title: Modeling Hypergraph Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたハイパーグラフのモデル化
• Authors: Bingqiao Gu, Jiale Zeng, Xingqin Qi, Dong Li,
• Abstract要約: ハイパーグラフは、高階クラスタリング、ハイパーグラフニューラルネットワーク、コンピュータビジョンで使用される。 しかし、従来のペアワイズグラフと比較して、実際のハイパーグラフデータセットはスケールと多様性の両方において不足している。 マルチエージェント協調によるハイパーグラフの生成と進化をシミュレートする新しいLCM駆動型ハイパーグラフ生成装置HyperLLMを紹介する。
• 参考スコア（独自算出の注目度）: 4.58199980642666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the advantages of hypergraphs in modeling high-order relationships in complex systems, they have been applied to higher-order clustering, hypergraph neural networks and computer vision. These applications rely heavily on access to high-quality, large-scale real-world hypergraph data. Yet, compared to traditional pairwise graphs, real hypergraph datasets remain scarce in both scale and diversity. This shortage significantly limits the development and evaluation of advanced hypergraph learning algorithms. Therefore, how to quickly generate large-scale hypergraphs that conform to the characteristics of real networks is a crucial task that has not received sufficient attention. Motivated by recent advances in large language models (LLMs), particularly their capabilities in semantic reasoning, structured generation, and simulating human behavior, we investigate whether LLMs can facilitate hypergraph generation from a fundamentally new perspective. We introduce HyperLLM, a novel LLM-driven hypergraph generator that simulates the formation and evolution of hypergraphs through a multi-agent collaboration. The framework integrates prompts and structural feedback mechanisms to ensure that the generated hypergraphs reflect key real-world patterns. Extensive experiments across diverse datasets demonstrate that HyperLLM achieves superior fidelity to structural and temporal hypergraph patterns, while requiring minimal statistical priors. Our findings suggest that LLM-based frameworks offer a promising new direction for hypergraph modeling.
• Abstract（参考訳）: 複雑なシステムにおける高階関係のモデリングにおけるハイパーグラフの利点により、高階クラスタリング、ハイパーグラフニューラルネットワーク、コンピュータビジョンに応用されている。 これらのアプリケーションは、高品質で大規模な実世界のハイパーグラフデータへのアクセスに大きく依存している。 しかし、従来のペアワイズグラフと比較して、実際のハイパーグラフデータセットはスケールと多様性の両方において不足している。 この不足は、高度なハイパーグラフ学習アルゴリズムの開発と評価を著しく制限する。 したがって、実ネットワークの特性に適合する大規模ハイパーグラフを迅速に生成する方法は、十分な注意を払っていない重要な課題である。 近年の大規模言語モデル(LLM)の進歩、特に意味論的推論、構造化された生成、人間の行動のシミュレーション能力に触発され、LLMが根本的に新しい視点からハイパーグラフ生成を促進できるかどうかを考察する。 マルチエージェント協調によるハイパーグラフの生成と進化をシミュレートする新しいLCM駆動型ハイパーグラフ生成装置HyperLLMを紹介する。 このフレームワークはプロンプトと構造的なフィードバック機構を統合し、生成されたハイパーグラフが主要な現実世界のパターンを反映することを保証する。 多様なデータセットにわたる大規模な実験により、HyperLLMは最小の統計的先行性を必要とする一方で、構造的および時間的ハイパーグラフパターンよりも優れた忠実性を達成することが示された。 以上の結果から, LLM ベースのフレームワークはハイパーグラフモデリングに有望な新たな方向性をもたらすことが示唆された。

関連論文リスト

• Community and hyperedge inference in multiple hypergraphs [9.782518418521175]
  複数のハイパーグラフ間の相互接続を利用して、複数の高階システムから統合された情報を合成する方法を示す。 ブロックモデルに基づくモデルを提案し、複数のハイパーグラフからの情報を統合し、潜在高次構造を明らかにする。 我々の研究は、複数のハイパーグラフを解析するための実用的で柔軟なツールを提供し、現実世界の高階システムにおける組織の理解を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-05-08T05:52:41Z)
• Enhancing the Utility of Higher-Order Information in Relational Learning [0.9899763598214121]
  関係学習におけるハイパーグラフレベルのアーキテクチャとグラフレベルのアーキテクチャの有効性を評価する。 本稿では,古典的なハイパーグラフ特性に基づくハイパーグラフレベルの符号化を提案する。 理論解析により,ハイパーグラフレベルの符号化がメッセージパッシンググラフニューラルネットワークの表現力を高めることが確認できた。
  論文  参考訳（メタデータ） (2025-02-13T18:28:17Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• Hypergraph-MLP: Learning on Hypergraphs without Message Passing [41.43504601820411]
  多くのハイパーグラフニューラルネットワークは、ハイパーグラフ構造上のメッセージパッシングを利用してノード表現学習を強化する。 我々は、ハイパーグラフ構造に関する情報を、明示的なメッセージパッシングを伴わずに、トレーニングの監督に組み込む方法を提案する。 具体的には,ハイパーグラフ構造化データのための新しい学習フレームワークであるHypergraph-MLPを紹介する。
  論文  参考訳（メタデータ） (2023-12-15T13:30:04Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
  本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。 本稿では,提案するフレームワークが最先端の性能を達成できることを示す。 ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2022-03-31T10:46:47Z)

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。