論文の概要: GraphSearch: Agentic Search-Augmented Reasoning for Zero-Shot Graph Learning

• arxiv url: http://arxiv.org/abs/2601.08621v1
• Date: Tue, 13 Jan 2026 15:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.247557
• Title: GraphSearch: Agentic Search-Augmented Reasoning for Zero-Shot Graph Learning
• Title（参考訳）: GraphSearch: ゼロショットグラフ学習のためのエージェント検索強化推論
• Authors: Jiajin Liu, Yuanfu Sun, Dongzhe Fan, Qiaoyu Tan,
• Abstract要約: GraphSearchは、検索強化推論をグラフ学習に拡張するフレームワークである。 セマンティックなクエリから検索空間(例えば1ホップ、マルチホップ、グローバルな隣人など)を切り離す。 ゼロショットノード分類とリンク予測に最先端の結果を設定する。
• 参考スコア（独自算出の注目度）: 9.147800129236918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in search-augmented large reasoning models (LRMs) enable the retrieval of external knowledge to reduce hallucinations in multistep reasoning. However, their ability to operate on graph-structured data, prevalent in domains such as e-commerce, social networks, and scientific citations, remains underexplored. Unlike plain text corpora, graphs encode rich topological signals that connect related entities and can serve as valuable priors for retrieval, enabling more targeted search and improved reasoning efficiency. Yet, effectively leveraging such structure poses unique challenges, including the difficulty of generating graph-expressive queries and ensuring reliable retrieval that balances structural and semantic relevance. To address this gap, we introduce GraphSearch, the first framework that extends search-augmented reasoning to graph learning, enabling zero-shot graph learning without task-specific fine-tuning. GraphSearch combines a Graph-aware Query Planner, which disentangles search space (e.g., 1-hop, multi-hop, or global neighbors) from semantic queries, with a Graph-aware Retriever, which constructs candidate sets based on topology and ranks them using a hybrid scoring function. We further instantiate two traversal modes: GraphSearch-R, which recursively expands neighborhoods hop by hop, and GraphSearch-F, which flexibly retrieves across local and global neighborhoods without hop constraints. Extensive experiments across diverse benchmarks show that GraphSearch achieves competitive or even superior performance compared to supervised graph learning methods, setting state-of-the-art results in zero-shot node classification and link prediction. These findings position GraphSearch as a flexible and generalizable paradigm for agentic reasoning over graphs.
• Abstract（参考訳）: 検索強化大推論モデル(LRM)の最近の進歩により、外部知識の検索により、多段階推論における幻覚を減らすことができる。 しかし、電子商取引、ソーシャルネットワーク、科学的引用などの領域で広く使われているグラフ構造化データ上での運用能力は、いまだに未調査である。 平易なテキストコーパスとは異なり、グラフは関連するエンティティを接続するリッチなトポロジ的信号をエンコードし、検索のための貴重な先行情報として機能し、よりターゲットを絞った検索を可能にし、推論効率を向上させる。 しかし、このような構造を効果的に活用することは、グラフ表現型クエリの生成の難しさや、構造的および意味的関連性のバランスをとる信頼性の高い検索の確保など、ユニークな課題を生んでいる。 このギャップに対処するため,グラフ学習への探索強化推論を拡張した最初のフレームワークであるGraphSearchを導入し,タスク固有の微調整なしでゼロショットグラフ学習を可能にする。 GraphSearchは、セマンティッククエリから検索スペース(例えば、1ホップ、マルチホップ、グローバル隣人)をアンハングリングするGraph-aware Query Plannerと、トポロジに基づいて候補セットを構築し、ハイブリッドスコアリング関数を使用してランク付けするGraph-aware Retrieverを組み合わせたものだ。 さらに2つのトラバースモードをインスタンス化する: GraphSearch-R, GraphSearch-F。 さまざまなベンチマークにわたる大規模な実験により、GraphSearchは教師付きグラフ学習手法と比較して、競争力や優れたパフォーマンスを実現し、最先端の結果をゼロショットノード分類とリンク予測に設定している。 これらの知見はグラフ検索をグラフ上のエージェント推論のためのフレキシブルで一般化可能なパラダイムとして位置づけている。

関連論文リスト

• GraphSearch: An Agentic Deep Searching Workflow for Graph Retrieval-Augmented Generation [35.65907480060404]
  textscGraphSearchは、GraphRAGの二重チャネル検索を備えた新しいエージェントディープ検索ワークフローである。 textscGraphSearchは、従来の戦略よりも解答精度と生成品質を一貫して改善する。
  論文  参考訳（メタデータ） (2025-09-26T07:45:56Z)
• Skeleton-Guided Learning for Shortest Path Search [31.51778160288742]
  最短経路探索はグラフベースのアプリケーションにおける中核的な操作である。 汎用グラフ上での最短経路探索のための多目的学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T10:21:52Z)
• 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)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Subgraph Matching via Query-Conditioned Subgraph Matching Neural Networks and Bi-Level Tree Search [33.9052190473029]
  サブグラフマッチングは、グラフデータベース検索、バイオメディカル分析、ソーシャルグループ検索などにおける中核的な操作である。 本稿では,クエリと対象グラフのマッチング情報を動的に計算する,新しいエンコーダ・デコーダニューラルネットワークアーキテクチャを提案する。 5つの大きな実世界のターゲットグラフの実験により、N-BLSはサブグラフマッチング性能を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-07-21T04:47:21Z)
• 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)

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。