論文の概要: AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2604.05846v1
• Date: Tue, 07 Apr 2026 13:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.843833
• Title: AgentGL: Towards Agentic Graph Learning with LLMs via Reinforcement Learning
• Title（参考訳）: AgentGL:強化学習によるLLMによるエージェントグラフ学習を目指して
• Authors: Yuanfu Sun, Kang Li, Dongzhe Fan, Jiajin Liu, Qiaoyu Tan,
• Abstract要約: 本稿では,グラフ学習をナビゲーションと推論のインターリーブプロセスとして再編成するパラダイムであるエージェントグラフ学習(AGL)を紹介する。 具体的には、AGLのための最初の強化学習(RL)駆動フレームワークであるAgentGLを提案する。 AgentGLは、強力なGraphLLMとGraphRAGベースラインを大幅に上回る。
• 参考スコア（独自算出の注目度）: 11.48092501779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) increasingly rely on agentic capabilities-iterative retrieval, tool use, and decision-making-to overcome the limits of static, parametric knowledge. Yet existing agentic frameworks treat external information as unstructured text and fail to leverage the topological dependencies inherent in real-world data. To bridge this gap, we introduce Agentic Graph Learning (AGL), a paradigm that reframes graph learning as an interleaved process of topology-aware navigation and LLM-based inference. Specifically, we propose AgentGL, the first reinforcement learning (RL)-driven framework for AGL. AgentGL equips an LLM agent with graph-native tools for multi-scale exploration, regulates tool usage via search-constrained thinking to balance accuracy and efficiency, and employs a graph-conditioned curriculum RL strategy to stabilize long-horizon policy learning without step-wise supervision. Across diverse Text-Attributed Graph (TAG) benchmarks and multiple LLM backbones, AgentGL substantially outperforms strong GraphLLMs and GraphRAG baselines, achieving absolute improvements of up to 17.5% in node classification and 28.4% in link prediction. These results demonstrate that AGL is a promising frontier for enabling LLMs to autonomously navigate and reason over complex relational environments. The code is publicly available at https://github.com/sunyuanfu/AgentGL.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、静的パラメトリック知識の限界を克服するために、エージェント機能検索、ツールの使用、意思決定にますます依存している。 しかし、既存のエージェントフレームワークは、外部情報を構造化されていないテキストとして扱い、現実世界のデータに固有のトポロジ的依存関係を活用できない。 このギャップを埋めるために,グラフ学習をトポロジ対応ナビゲーションとLLMに基づく推論のインターリーブプロセスとして再構成するパラダイムであるエージェントグラフ学習(AGL)を導入する。 具体的には、AGLのための最初の強化学習(RL)駆動フレームワークであるAgentGLを提案する。 AgentGLは、マルチスケール探索のためのグラフネイティブツールを備えたLLMエージェントを備え、精度と効率のバランスをとるために検索制約付き思考を介してツールの使用を規制し、グラフ条件付きカリキュラムRL戦略を用いて、段階的に監督することなく、長期方針学習を安定化する。 多様なText-Attributed Graph (TAG)ベンチマークと複数のLLMバックボーンで、AgentGLはGraphLLMとGraphRAGベースラインを大幅に上回り、ノード分類が最大17.5%、リンク予測が28.4%向上した。 これらの結果は、ALGがLLMが複雑なリレーショナル環境を自律的にナビゲートし、推論することを可能にするための有望なフロンティアであることを示している。 コードはhttps://github.com/sunyuanfu/AgentGLで公開されている。

関連論文リスト

• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• Actions Speak Louder than Prompts: A Large-Scale Study of LLMs for Graph Inference [7.817259532290553]
  大規模言語モデル(LLM)は、テキストリッチなグラフ機械学習タスクにますます利用されている。 関心の高まりにもかかわらず、この分野はグラフデータとの相互作用におけるLLMの能力の原則的な理解を欠いている。
  論文  参考訳（メタデータ） (2025-09-23T00:46:21Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Graph-R1: Towards Agentic GraphRAG Framework via End-to-end Reinforcement Learning [20.05893083101089]
  Graph-R1は、エンドツーエンド強化学習(RL)によるエージェントGraphRAGフレームワークである 軽量な知識ハイパーグラフ構築、マルチターンエージェント環境相互作用としてのモデル検索を導入している。 標準RAGデータセットの実験では、Graph-R1は、精度、検索効率、生成品質を推算する従来のGraphRAGおよびRL強化RAGメソッドよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-29T15:01:26Z)
• Graph-Augmented Large Language Model Agents: Current Progress and Future Prospects [57.53024716739594]
  グラフ拡張LDMエージェント(GLA)は複雑なエージェントシステムの構造、連続性、調整を強化する。 本稿では,最近の進歩の概要をタイムリーかつ包括的に紹介し,今後の研究の方向性を明らかにする。 本論文は,GLAにおける今後の研究のロードマップとして機能し,GLAエージェントシステムにおけるグラフの役割のより深い理解を促進することを願っている。
  論文  参考訳（メタデータ） (2025-07-29T00:27:12Z)
• 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)

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。