論文の概要: Microsoft Academic Graph Information Retrieval for Research Recommendation and Assistance
- arxiv url: http://arxiv.org/abs/2512.16661v2
- Date: Sun, 21 Dec 2025 15:17:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 14:49:56.304838
- Title: Microsoft Academic Graph Information Retrieval for Research Recommendation and Assistance
- Title（参考訳）: Microsoft Academic Graph Information Retrieval for Research Recommendation and Assistance
- Authors: Shikshya Shiwakoti, Samuel Goldsmith, Ujjwal Pandit,
- Abstract要約: グラフニューラルネットワーク(GNN)とグラフアテンション機構は,大規模情報データベースの検索において大きな効果を示している。
本稿では,GNN-as-retrieverモデルであるアテンションベースサブグラフレトリバーを提案し,アテンションベースプルーニングを適用し,洗練されたサブグラフを抽出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In today's information-driven world, access to scientific publications has become increasingly easy. At the same time, filtering through the massive volume of available research has become more challenging than ever. Graph Neural Networks (GNNs) and graph attention mechanisms have shown strong effectiveness in searching large-scale information databases, particularly when combined with modern large language models. In this paper, we propose an Attention-Based Subgraph Retriever, a GNN-as-retriever model that applies attention-based pruning to extract a refined subgraph, which is then passed to a large language model for advanced knowledge reasoning.
- Abstract（参考訳）: 今日の情報駆動の世界では、科学出版物へのアクセスはますます簡単になっている。
同時に、利用可能な膨大な量の研究をフィルタリングすることは、これまで以上に困難になっている。
グラフニューラルネットワーク(GNN)とグラフアテンション機構は、特に現代の大規模言語モデルと組み合わせた場合、大規模情報データベースの探索において大きな効果を示している。
本稿では,GNN-as-retrieverモデルであるアテンションベースサブグラフレトリバーを提案する。アテンションベースプルーニングを適用して,洗練されたサブグラフを抽出し,その後,高度な知識推論のための大規模言語モデルに渡される。
関連論文リスト
- Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。
最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。
GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
論文 参考訳（メタデータ） (2025-02-12T12:13:51Z) - Informative Subgraphs Aware Masked Auto-Encoder in Dynamic Graphs [1.3571543090749625]
本稿では,動的グラフの進化を導く情報サブグラフを生成するための制約付き確率的生成モデルを提案する。
DyGISによって同定された情報サブグラフは、動的グラフマスキングオートエンコーダ(DGMAE)の入力として機能する。
論文 参考訳（メタデータ） (2024-09-14T02:16:00Z) - Enhancing Scientific Figure Captioning Through Cross-modal Learning [0.0]
科学的研究データの量と多様性が急増し、チャートの数と多様性が増加した。
本稿では,研究データの明瞭さとアクセシビリティ向上に有効であることを示すため,学術チャートのタイトル生成に対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-06-24T18:08:19Z) - A Survey of Data-Efficient Graph Learning [16.053913182723143]
研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。
我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
論文 参考訳（メタデータ） (2024-02-01T09:28:48Z) - A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。
今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。
我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
論文 参考訳（メタデータ） (2023-02-13T05:43:24Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳（メタデータ） (2022-12-08T11:53:12Z) - Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。
我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文 参考訳（メタデータ） (2022-07-10T06:42:02Z) - An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。
本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。
我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
論文 参考訳（メタデータ） (2022-06-01T09:59:09Z) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-05-31T10:38:04Z) - Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。
DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
論文 参考訳（メタデータ） (2022-02-16T18:30:33Z)
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。