Fugu-MT 論文翻訳(概要): LLM+Graph@VLDB'2025 Workshop Summary

論文の概要: LLM+Graph@VLDB'2025 Workshop Summary

arxiv url: http://arxiv.org/abs/2604.02861v1
Date: Fri, 03 Apr 2026 08:27:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 17:20:24.398623
Title: LLM+Graph@VLDB'2025 Workshop Summary
Title（参考訳）: LLM+Graph@VLDB'2025ワークショップ概要報告
Abstract要約: 第2回 LLM+Graph Workshop はロンドンで開催された第51回 Very Large Data Bases (VLDB 2025) と共同で開催された。 LLMをブリッジするアルゴリズムとシステム、グラフデータ管理、実用的なアプリケーションのためのグラフ機械学習に注力した。本報告では,ワークショップの講演者が提示する研究の方向性,課題,イノベーティブなソリューションについて紹介する。
参考スコア（独自算出の注目度）: 20.50914682262537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The integration of large language models (LLMs) with graph-structured data has become a pivotal and fast evolving research frontier, drawing strong interest from both academia and industry. The 2nd LLM+Graph Workshop, co-located with the 51st International Conference on Very Large Data Bases (VLDB 2025) in London, focused on advancing algorithms and systems that bridge LLMs, graph data management, and graph machine learning for practical applications. This report highlights the key research directions, challenges, and innovative solutions presented by the workshop's speakers.
Abstract（参考訳）: 大規模言語モデル(LLM)とグラフ構造化データの統合は、学術と産業の両方から強い関心を集め、重要かつ急速に発展する研究フロンティアとなっている。第2回 LLM+Graph Workshop はロンドンで開催された第51回 Very Large Data Bases (VLDB 2025) と共同で開催された。本報告では,ワークショップの講演者が提示する研究の方向性,課題,イノベーティブなソリューションについて紹介する。

関連論文リスト

Are Large Language Models Suitable for Graph Computation? Progress and Prospects [31.182390464506053]
グラフ計算のために大規模言語モデル (LLM) が研究されている。本稿では、ロールベースの分類法を用いて、グラフ計算のためのLLMの総合的なレビューを行う。我々のレビューでは、LLMは単純で小規模なタスクに対して有望であるが、大規模かつ正確なタスクには信頼できないことが示されている。
論文参考訳（メタデータ） (2026-06-05T03:24:38Z)
G1: Teaching LLMs to Reason on Graphs with Reinforcement Learning [58.73279333365234]
合成グラフ理論タスクにおける強化学習(RL)はグラフ推論能力を著しく拡張することができる。 RL on ErdosでG1はグラフ推論の大幅な改善を実現し、微調整された3BモデルはQwen2.5-72B-Instruct(24倍)よりも優れています。我々の研究は、グラフ理論上のRLでLLMを微調整することで、強力なグラフ推論器を構築するための効率的でスケーラブルな経路を提供する。
論文参考訳（メタデータ） (2025-05-24T04:33:41Z)
LLM-Forest: Ensemble Learning of LLMs with Graph-Augmented Prompts for Data Imputation [50.375567142250446]
巨大なコーパスで訓練された大規模言語モデル(LLM)は、データ生成に強い可能性を示している。我々は,信頼度に基づく重み付け投票によって出力を集約した,数発のプロンプト学習 LLM ツリーの "フォレスト" を導入した新しいフレームワーク LLM-Forest を提案する。このフレームワークは、2部情報グラフという新しい概念に基づいて構築され、特徴と値の粒度の両方で高品質な関連項目を識別する。
論文参考訳（メタデータ） (2024-10-28T20:42:46Z)
How Do Large Language Models Understand Graph Patterns? A Benchmark for Graph Pattern Comprehension [53.6373473053431]
この研究は、グラフパターンタスクにおける大規模言語モデルの能力を評価するためのベンチマークを導入する。我々は,LLMが用語的記述と位相的記述の両方に基づいて,グラフパターンを理解できるかどうかを評価するベンチマークを開発した。私たちのベンチマークでは、合成データセットと実際のデータセットの両方と、11のタスクと7のモデルで構成されています。
論文参考訳（メタデータ） (2024-10-04T04:48:33Z)
Learning to Plan for Retrieval-Augmented Large Language Models from Knowledge Graphs [59.76268575344119]
知識グラフ(KG)から得られた計画データを用いて,大規模言語モデル(LLM)計画能力を向上するための新しいフレームワークを提案する。 KGデータで微調整されたLLMは、計画能力を向上し、検索を含む複雑なQAタスクを処理するのがより適している。
論文参考訳（メタデータ） (2024-06-20T13:07:38Z)
A Survey of Large Language Models for Graphs [21.54279919476072]
我々は、グラフ学習に適用された最新の最先端の大規模言語モデルについて、詳細なレビューを行う。フレームワーク設計に基づいて既存の手法を分類する新しい分類法を提案する。各フレームワークの長所と短所について検討し,今後の研究への可能性を強調する。
論文参考訳（メタデータ） (2024-05-10T18:05:37Z)
A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications [4.777453721753589]
大規模言語モデル(LLM)は、様々な自然言語処理タスクを処理する強力な一般化能力を示した。 LLMは、グラフタスクの一般化の課題に対処する上で、優れたアドバンテージを享受する。 LLMをグラフ解析タスクに適応させることは困難である。
論文参考訳（メタデータ） (2024-04-23T07:39:24Z)
Can we Soft Prompt LLMs for Graph Learning Tasks? [22.286189757942054]
GraphPrompterは、グラフ情報とLLM(Large Language Models)をソフトプロンプトで整合させるように設計されたフレームワークである。このフレームワークは、グラフ関連タスクの予測子としてLLMの実質的な機能を明らかにしている。
論文参考訳（メタデータ） (2024-02-15T23:09:42Z)
LLaGA: Large Language and Graph Assistant [73.71990472543027]
大規模言語とグラフアシスタント(LLaGA)は、グラフ構造化データの複雑さを扱う革新的なモデルである。 LLaGAは汎用性、一般化性、解釈性に優れており、異なるデータセットやタスク間で一貫して動作する。実験の結果,LLaGAは4つのデータセットと3つのタスクに1つの単一モデルを用いて優れた性能を提供することがわかった。
論文参考訳（メタデータ） (2024-02-13T02:03:26Z)
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)

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。