論文の概要: Semantic Refinement with LLMs for Graph Representations

• arxiv url: http://arxiv.org/abs/2512.21106v1
• Date: Wed, 24 Dec 2025 11:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.76292
• Title: Semantic Refinement with LLMs for Graph Representations
• Title（参考訳）: グラフ表現のためのLLMを用いた意味的リファインメント
• Authors: Safal Thapaliya, Zehong Wang, Jiazheng Li, Ziming Li, Yanfang Ye, Chuxu Zhang,
• Abstract要約: グラフ表現学習のためのデータ適応セマンティック・リファインメントフレームワークDASを提案する。 我々は、テキストリッチグラフとテキストフリーグラフの両方に対するアプローチを評価した。 結果は、セマンティクスに富むグラフに競争力を維持しながら、構造支配グラフに対して一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 37.72134125261354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data exhibit substantial heterogeneity in where their predictive signals originate: in some domains, node-level semantics dominate, while in others, structural patterns play a central role. This structure-semantics heterogeneity implies that no graph learning model with a fixed inductive bias can generalize optimally across diverse graph domains. However, most existing methods address this challenge from the model side by incrementally injecting new inductive biases, which remains fundamentally limited given the open-ended diversity of real-world graphs. In this work, we take a data-centric perspective and treat node semantics as a task-adaptive variable. We propose a Data-Adaptive Semantic Refinement framework DAS for graph representation learning, which couples a fixed graph neural network (GNN) and a large language model (LLM) in a closed feedback loop. The GNN provides implicit supervisory signals to guide the semantic refinement of LLM, and the refined semantics are fed back to update the same graph learner. We evaluate our approach on both text-rich and text-free graphs. Results show consistent improvements on structure-dominated graphs while remaining competitive on semantics-rich graphs, demonstrating the effectiveness of data-centric semantic adaptation under structure-semantics heterogeneity.
• Abstract（参考訳）: グラフ構造化データは、その予測信号が発するかなりの不均一性を示す: ある領域では、ノードレベルの意味論が支配的であり、ある領域では、構造パターンが中心的な役割を果たす。 この構造-意味的不均一性は、固定帰納的バイアスを持つグラフ学習モデルが様々なグラフ領域で最適に一般化できないことを意味する。 しかし、既存のほとんどの手法は、実世界のグラフのオープンな多様性を考えると、新しい帰納バイアスを漸進的に注入することで、モデル側からこの課題に対処する。 本研究では,データ中心の観点からノードの意味論をタスク適応変数として扱う。 本稿では,グラフ表現学習のためのデータ適応セマンティック・リファインメント・フレームワークDASを提案する。これは,固定グラフニューラルネットワーク(GNN)と大言語モデル(LLM)を,閉じたフィードバックループで結合する。 GNNは、LLMのセマンティックリファインメントを導くために暗黙の監視信号を提供し、洗練されたセマンティックスは、同じグラフ学習者の更新のために送り返される。 我々は、テキストリッチグラフとテキストフリーグラフの両方に対するアプローチを評価した。 その結果,データ中心のセマンティック・アダプティブが構造セマンティック・ヘテロジニティの下で有効であることを示すとともに,セマンティック・リッチ・グラフの競争力を維持しながら,構造セマンティック・グラフに対する一貫した改善が示された。

関連論文リスト

• Directed Homophily-Aware Graph Neural Network [7.539052660225002]
  我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。 DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。 解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
  論文  参考訳（メタデータ） (2025-05-28T13:41:04Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Conditional Distribution Learning on Graphs [15.730933577970687]
  半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。 具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。