論文の概要: LLMs Underperform Graph-Based Parsers on Supervised Relation Extraction for Complex Graphs

• arxiv url: http://arxiv.org/abs/2604.08752v1
• Date: Thu, 09 Apr 2026 20:34:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.571918
• Title: LLMs Underperform Graph-Based Parsers on Supervised Relation Extraction for Complex Graphs
• Title（参考訳）: 複雑なグラフに対する教師付き関係抽出におけるLLMの低性能化
• Authors: Paolo Gajo, Domenic Rosati, Hassan Sajjad, Alberto Barrón-Cedeño,
• Abstract要約: 関係抽出のための有望なツールとして,大規模言語モデル (LLM) が採用されている。 テキストの根底にある言語グラフが非常に複雑である場合、それらのパフォーマンスがずっと小さなアーキテクチャに遅れていることが示されます。
• 参考スコア（独自算出の注目度）: 12.09105878208262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relation extraction represents a fundamental component in the process of creating knowledge graphs, among other applications. Large language models (LLMs) have been adopted as a promising tool for relation extraction, both in supervised and in-context learning settings. However, in this work we show that their performance still lags behind much smaller architectures when the linguistic graph underlying a text has great complexity. To demonstrate this, we evaluate four LLMs against a graph-based parser on six relation extraction datasets with sentence graphs of varying sizes and complexities. Our results show that the graph-based parser increasingly outperforms the LLMs, as the number of relations in the input documents increases. This makes the much lighter graph-based parser a superior choice in the presence of complex linguistic graphs.
• Abstract（参考訳）: 関係抽出は、知識グラフを作成するプロセスにおける基本的な構成要素であり、その他にも応用がある。 大規模言語モデル(LLM)は、教師付きおよびコンテキスト内学習設定の両方において、関係抽出のための有望なツールとして採用されている。 しかし、本研究では、テキストの基盤となる言語グラフが非常に複雑である場合、それらのパフォーマンスがずっと小さなアーキテクチャに遅れていることを示す。 これを示すために,異なるサイズと複雑さの文グラフを用いた6つの関係抽出データセットを用いて,グラフベースのパーサに対して4つのLLMを評価する。 以上の結果から, グラフベースのパーサは, 入力文書の関連性が増加するにつれて, LLMよりも優れることが明らかとなった。 これにより、より軽いグラフベースのパーサは、複雑な言語グラフの存在においてより優れた選択となる。

関連論文リスト

• GraphSeek: Next-Generation Graph Analytics with LLMs [15.668202711555749]
  LLMは、アクセス可能な自然言語(NL)グラフ解析を約束するが、業界規模のプロパティグラフを効率的かつ効率的に処理することができない。 このようなグラフ上での複雑なマルチクエリ解析のための新しい抽象化を考案する。 この抽象化は、GraphSeekと呼ばれる最初のLLM拡張グラフ分析フレームワークの基礎として使用しています。
  論文  参考訳（メタデータ） (2026-02-11T17:20:06Z)
• Colorful Talks with Graphs: Human-Interpretable Graph Encodings for Large Language Models [12.496005049442319]
  グラフ問題は大きな言語モデル(LLM)にとって根本的な課題である グラフからテキストへの変換のための人間の解釈可能な構造的符号化戦略を導入する。 提案手法は,大域的なグラフ構造上の推論を必要とするグラフタスクにおいて,LLMの性能を向上させる。
  論文  参考訳（メタデータ） (2026-02-11T00:15:29Z)
• ZOGRASCOPE: A New Benchmark for Semantic Parsing over Property Graphs [3.0748861313823]
  プロパティグラフ(PG)は、複雑な構造化情報を表現する手段として採用されている。 業界での人気が高まっているにもかかわらず、PGはセマンティックパーシング研究において相対的に過小評価されている。 PGとCypherで書かれたクエリに特化して設計されたベンチマークであるZOGRASCOPEを紹介する。
  論文  参考訳（メタデータ） (2025-03-07T09:33:30Z)
• Graph Chain-of-Thought: Augmenting Large Language Models by Reasoning on Graphs [60.71360240206726]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて幻覚に悩まされる。 既存の研究は、外部知識コーパスから取得した個々のテキスト単位でLLMを拡張することを提案する。 本稿では,グラフを反復的に推論することで,LLMをグラフで拡張するためのGraph Chain-of-thinkt (Graph-CoT) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T15:41:53Z)
• Large Language Models on Graphs: A Comprehensive Survey [77.16803297418201]
  グラフ上の大規模言語モデルに関連するシナリオとテクニックを体系的にレビューする。 まず,LLMをグラフに適用する可能性シナリオを,純グラフ,テキスト分散グラフ,テキストペアグラフの3つのカテゴリにまとめる。 本稿では,そのような手法の現実的な応用について論じ,オープンソースコードとベンチマークデータセットを要約する。
  論文  参考訳（メタデータ） (2023-12-05T14:14:27Z)
• 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)
• Beyond Text: A Deep Dive into Large Language Models' Ability on Understanding Graph Data [13.524529952170672]
  大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて顕著な性能を達成している。 LLMがグラフデータを効果的に処理し、トポロジ構造を利用して性能を向上させることができるかどうかを評価することを目的とする。 LLMの性能を特殊グラフモデルと比較することにより、グラフ解析にLLMを使用する際の長所と短所について考察する。
  論文  参考訳（メタデータ） (2023-10-07T23:25:22Z)
• Talk like a Graph: Encoding Graphs for Large Language Models [15.652881653332194]
  大規模言語モデル(LLM)による消費用テキストとしてグラフ構造化データを符号化する最初の包括的研究について検討する。 グラフ解析におけるLCMの性能は,(1)グラフ符号化法,(2)グラフ処理自体の性質,(3)興味深いことに,考慮されたグラフの構造の3つの基本レベルによって異なることを示す。
  論文  参考訳（メタデータ） (2023-10-06T19:55:21Z)

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。