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
• Authors: Yixiang Fang, Arijit Khan, Tianxing Wu, Da Yan, Shu Wang,
• 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

• 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)
• 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)
• 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。

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。