論文の概要: BLEG: LLM Functions as Powerful fMRI Graph-Enhancer for Brain Network Analysis

• arxiv url: http://arxiv.org/abs/2604.07361v1
• Date: Wed, 01 Apr 2026 06:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.413517
• Title: BLEG: LLM Functions as Powerful fMRI Graph-Enhancer for Brain Network Analysis
• Title（参考訳）: BLEG:脳ネットワーク解析のための強力なfMRIグラフエンハンサーとしてのLLM関数
• Abstract要約: グラフニューラルネットワーク(GNN)は、前処理された機能的磁気共鳴画像(fMRI)データに基づく多様な脳ネットワーク解析タスクで広く利用されている。 しかし、それらの性能は、一様神経グラフ内の高い特徴空間性とドメイン知識の固有の制限により制約される。 大規模言語モデル(LLM)は強力な表現能力を示している。
• 参考スコア（独自算出の注目度）: 26.180995145027183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have been widely used in diverse brain network analysis tasks based on preprocessed functional magnetic resonance imaging (fMRI) data. However, their performances are constrained due to high feature sparsity and inherent limitations of domain knowledge within uni-modal neurographs. Meanwhile, large language models (LLMs) have demonstrated powerful representation capabilities. Combining LLMs with GNNs presents a promising direction for brain network analysis. While LLMs and MLLMs have emerged in neuroscience, integration of LLMs with graph-based data remains unexplored. In this work, we deal with these issues by incorporating LLM's powerful representation and generalization capabilities. Considering great cost for directly tuning LLMs, we instead function LLM as enhancer to boost GNN's performance on downstream tasks. Our method, namely BLEG, can be divided into three stages. We firstly prompt LLM to get augmented texts for fMRI graph data, then we design a LLM-LM instruction tuning method to get enhanced textual representations at a relatively lower cost. GNN is trained together for coarsened alignment. Finally we finetune an adapter after GNN for given downstream tasks. Alignment loss between LM and GNN logits is designed to further enhance GNN's representation. Extensive experiments on different datasets confirmed BLEG's superiority.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、前処理された機能的磁気共鳴画像(fMRI)データに基づく多様な脳ネットワーク解析タスクで広く利用されている。 しかし、それらの性能は、一様神経グラフ内の高い特徴空間性とドメイン知識の固有の制限により制約される。 一方、大きな言語モデル(LLM)は強力な表現能力を示している。 LLMとGNNを組み合わせることは、脳ネットワーク分析に有望な方向を示す。 LLMとMLLMは神経科学に登場しているが、LLMとグラフベースのデータの統合は未解明のままである。 本研究では,LLMの強力な表現と一般化機能を活用することで,これらの問題に対処する。 LLMを直接チューニングするコストを考えると、下流タスクにおけるGNNの性能を高めるために、LLMをエンハンサーとして機能する。 BLEG法は3段階に分けられる。 まず、fMRIグラフデータのための拡張テキストを取得するようにLLMに促し、比較的低コストで拡張テキスト表現を得るためのLLM-LM命令チューニング手法を設計する。 GNNは、粗いアライメントのために一緒に訓練されている。 最後に、下流のタスクに対してGNNのあとにアダプタを微調整します。 LMとGNNのロジットのアライメント損失は、GNNの表現をさらに強化するために設計されている。 異なるデータセットに対する大規模な実験により、BLEGの優位性が確認された。

関連論文リスト

• Glance for Context: Learning When to Leverage LLMs for Node-Aware GNN-LLM Fusion [11.093748269263486]
  我々は,GNNの予測を洗練させるためにLLMを起動するフレームワークであるGLANCEを提案する。 GLANCEがノードサブグループ間で最高のパフォーマンスバランスを達成することを示す。 本研究は,適応型ノード認識型GNN-LLMアーキテクチャの価値を強調した。
  論文  参考訳（メタデータ） (2025-10-12T23:25:16Z)
• GL-Fusion: Rethinking the Combination of Graph Neural Network and Large Language model [63.774726052837266]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を深く統合した新しいアーキテクチャを導入する。 本稿では,(1)GNNのメッセージパッシング機能を直接LLMのトランスフォーマー層に組み込む構造対応トランスフォーマー,(2)グラフノードとエッジから圧縮されていない全テキストを処理するグラフテキストクロスアテンション,(3)GNN-LLMツインプレクタ,(3)GNN-LLMツインプレクタ,3)GNNのスケーラブルなワンパス予測とともに,LLMの柔軟な自己回帰生成を実現する。
  論文  参考訳（メタデータ） (2024-12-08T05:49:58Z)
• Can Large Language Models Act as Ensembler for Multi-GNNs? [10.126044401037968]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習するための強力なモデルとして登場した。 GNNは、リッチテキストノード属性の固有の意味理解能力に欠けており、アプリケーションでの有効性を制限している。 本研究は、意味情報と構造情報を統合するための堅牢で優れたソリューションを提供することにより、テキストによるグラフアンサンブル学習を推進している。
  論文  参考訳（メタデータ） (2024-10-22T08:48:52Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• LOGIN: A Large Language Model Consulted Graph Neural Network Training Framework [30.54068909225463]
  我々は,GNN設計プロセスの合理化とLarge Language Models(LLM)の利点を活用して,下流タスクにおけるGNNの性能向上を目指す。 我々は,LLMs-as-Consultants(LLMs-as-Consultants)という新たなパラダイムを策定し,LLMとGNNを対話的に統合する。 両グラフのノード分類におけるLOGINの有効性を実証的に評価した。
  論文  参考訳（メタデータ） (2024-05-22T18:17:20Z)
• Label-free Node Classification on Graphs with Large Language Models (LLMS) [46.937442239949256]
  本研究では,Large Language Models パイプライン LLM-GNN を用いたグラフ上でのラベルなしノード分類を導入する。 制限を緩和しながら、GNNとLLMの長所を反復する。 特に、LLM-GNNは1ドル未満の大規模データセットで74.9%の精度を達成できる。
  論文  参考訳（メタデータ） (2023-10-07T03:14:11Z)
• Exploring the Potential of Large Language Models (LLMs) in Learning on Graphs [59.74814230246034]
  大規模言語モデル(LLM)は、広範な共通知識と強力な意味理解能力を持つことが証明されている。 LLMs-as-EnhancersとLLMs-as-Predictorsの2つのパイプラインについて検討する。
  論文  参考訳（メタデータ） (2023-07-07T05:31:31Z)
• Harnessing Explanations: LLM-to-LM Interpreter for Enhanced Text-Attributed Graph Representation Learning [51.90524745663737]
  重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。 提案手法は、確立されたTAGデータセットの最先端結果を実現する。 本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
  論文  参考訳（メタデータ） (2023-05-31T03:18:03Z)

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。