論文の概要: Graph Fusion Across Languages using Large Language Models

• arxiv url: http://arxiv.org/abs/2603.21248v1
• Date: Sun, 22 Mar 2026 14:10:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.312937
• Title: Graph Fusion Across Languages using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた言語間グラフ融合
• Authors: Kaung Myat Kyaw, Khush Agarwal, Jonathan Chan,
• Abstract要約: 本稿では,Large Language Models (LLMs) の文脈内推論と多言語セマンティクスを利用した,言語間グラフ融合のためのフレームワークを提案する。 このフレームワークは、トリップレットを直接自然言語シーケンスにマッピングすることで、構造的線形化を実装している。
• 参考スコア（独自算出の注目度）: 1.0609815608017066
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining multiple knowledge graphs (KGs) across linguistic boundaries is a persistent challenge due to semantic heterogeneity and the complexity of graph environments. We propose a framework for cross-lingual graph fusion, leveraging the in-context reasoning and multilingual semantic priors of Large Language Models (LLMs). The framework implements structural linearization by mapping triplets directly into natural language sequences (e.g., [head] [relation] [tail]), enabling the LLM to map relations and reconcile entities between an evolving fused graph ($G_{c}^{(t-1)}$) and a new candidate graph ($G_{t}$). Evaluated on the DBP15K dataset, this exploratory study demonstrates that LLMs can serve as a universal semantic bridge to resolve cross-lingual discrepancies. Results show the successful sequential agglomeration of multiple heterogeneous graphs, offering a scalable, modular solution for continuous knowledge synthesis in multi-source, multilingual environments.
• Abstract（参考訳）: 言語境界を越えて複数の知識グラフ(KG)を組み合わせることは、意味的不均一性とグラフ環境の複雑さによる永続的な課題である。 本稿では,Large Language Models (LLMs) の文脈内推論と多言語セマンティクスを利用した,言語間グラフ融合のためのフレームワークを提案する。 このフレームワークは、三重項を直接自然言語列(例: [head] [relation] [tail])にマッピングすることで構造線形化を実装し、LLMは、進化する融合グラフ(G_{c}^{(t-1)}$)と新しい候補グラフ(G_{t}$)の間の関係をマッピングし、エンティティを調整することができる。 DBP15Kデータセットに基づいて評価されたこの探索研究は、LLMが言語間不一致を解決する普遍的な意味橋として機能できることを実証している。 その結果,複数の異種グラフの逐次集約が成功し,マルチソース多言語環境における連続的知識合成のためのスケーラブルでモジュール化されたソリューションが得られた。

関連論文リスト

• Towards Efficient LLM-aware Heterogeneous Graph Learning [47.42705995672551]
  ヘテロジニアスグラフのための効率的なLLM-Awareフレームワークを提案する。 提案するELAは,性能と効率において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-11-22T05:38:03Z)
• AmbiGraph-Eval: Can LLMs Effectively Handle Ambiguous Graph Queries? [31.91169297907121]
  AmbiGraph-Evalは、専門家が検証したグラフクエリの回答と組み合わせた、現実世界のあいまいなクエリの新しいベンチマークである。 本研究は, 曖昧性処理における重要なギャップを明らかにし, 特殊解像度技術における今後の課題を動機づけるものである。
  論文  参考訳（メタデータ） (2025-08-13T09:06:59Z)
• POLYCHARTQA: Benchmarking Large Vision-Language Models with Multilingual Chart Question Answering [69.52231076699756]
  PolyChartQAは10の言語で22,606のチャートと26,151の質問応答ペアをカバーする最初の大規模多言語チャート回答ベンチマークである。 我々は、最先端のLLMベースの翻訳を活用し、パイプラインにおける厳密な品質制御を適用し、生成された多言語チャートの言語的および意味的一貫性を確保する。
  論文  参考訳（メタデータ） (2025-07-16T06:09:02Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• Structure Guided Prompt: Instructing Large Language Model in Multi-Step Reasoning by Exploring Graph Structure of the Text [44.81698187939784]
  本稿では,大規模言語モデル(LLM)の多段階推論能力向上を目的としたフレームワークであるStructure Guided Promptを紹介する。 実験の結果,このフレームワークはLLMの推論能力を大幅に向上し,より広い範囲の自然言語シナリオを拡張できることがわかった。
  論文  参考訳（メタデータ） (2024-02-20T22:56:23Z)
• Multimodal Graph Learning for Generative Tasks [89.44810441463652]
  マルチモーダル学習は、複数のデータモダリティを組み合わせることで、モデルが利用できるデータの種類と複雑さを広げます。 本稿では,マルチモーダルグラフ学習(MMGL)を提案する。
  論文  参考訳（メタデータ） (2023-10-11T13:25:03Z)
• Integrating Graphs with Large Language Models: Methods and Prospects [68.37584693537555]
  大規模言語モデル (LLMs) が最前線として登場し、様々なアプリケーションにおいて非並列の長所を示している。 LLMとグラフ構造化データを組み合わせることは、非常に興味深いトピックです。 本稿では、そのような統合を2つの主要なカテゴリに分岐する。
  論文  参考訳（メタデータ） (2023-10-09T07:59:34Z)
• Language is All a Graph Needs [33.9836278881785]
  InstructGLM (Instruction-finetuned Graph Language Model) を提案する。 我々の手法は、ogbn-arxiv, Cora, PubMedデータセット上のすべてのGNNベースラインを超える。
  論文  参考訳（メタデータ） (2023-08-14T13:41:09Z)
• GATE: Graph Attention Transformer Encoder for Cross-lingual Relation and Event Extraction [107.8262586956778]
  言語に依存しない文表現を学習するために、普遍的な依存解析を伴うグラフ畳み込みネットワーク(GCN)を導入する。 GCNは、長い範囲の依存関係を持つ単語をモデル化するのに苦労する。 そこで本研究では,構文的距離の異なる単語間の依存関係を学習するための自己認識機構を提案する。
  論文  参考訳（メタデータ） (2020-10-06T20:30:35Z)

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。