論文の概要: Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising

• arxiv url: http://arxiv.org/abs/2604.24104v1
• Date: Mon, 27 Apr 2026 06:52:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.778675
• Title: Factual and Edit-Sensitive Graph-to-Sequence Generation via Graph-Aware Adaptive Noising
• Title（参考訳）: Graph-Aware Adaptive NoisingによるFactual and Edit-Sensitive Graph-to-Sequence Generation
• Authors: Aditya Hemant Shahane, Anuj Kumar Sirohi, Tanmoy Chakraborty, Prathosh A P, Sandeep Kumar,
• Abstract要約: Diffusion Language Model for Graphs (DLM4G) は、入力グラフに条件付き反復精製によりテキストを生成する非自己回帰拡散フレームワークである。 DLM4Gは3つのデータセットで評価され、競争力のあるG2S拡散基線よりも一貫して優れていた。 最強の微調整PLMベースラインと対照的に、DLM4Gはファクトアルグラウンド(FGT@0.5)を+5.16%改善し、編集感度(ESR)を+7.9%改善した。
• 参考スコア（独自算出の注目度）: 23.42269601051544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fine-tuned autoregressive models for graph-to-sequence generation (G2S) often struggle with factual grounding and edit sensitivity. To tackle these issues, we propose a non-autoregressive diffusion framework that generates text by iterative refinement conditioned on an input graph, named as Diffusion Language Model for Graphs (DLM4G). By aligning graph components (entities/relations) with their corresponding sequence tokens, DLM4G employs an adaptive noising strategy. The proposed strategy uses per-token denoising error as a signal to adaptively modulate noise on entity and relation tokens, improving preservation of graph structure and enabling localized updates under graph edits. Evaluated on three datasets, DLM4G consistently outperforms competitive G2S diffusion baselines trained on identical splits across both surface-form and embedding-based metrics. DLM4G further exceeds fine-tuned autoregressive baselines up to 12x larger (e.g., T5-Large) and is competitive with zero-shot LLM transfer baselines up to 127x larger. Relative to the strongest fine-tuned PLM baseline, DLM4G improves factual grounding (FGT@0.5) by +5.16% and edit sensitivity (ESR) by +7.9%; compared to the best diffusion baseline, it yields gains of +3.75% in FGT@0.5 and +23.6% in ESR. We additionally demonstrate applicability beyond textual graphs through experiments on molecule captioning, indicating the method's generality for scientific G2S generation.
• Abstract（参考訳）: グラフ・ツー・シーケンス生成(G2S)のための微調整された自己回帰モデルはしばしば、実際の接地と編集の感度に悩まされる。 これらの問題に対処するため、我々は、Diffusion Language Model for Graphs (DLM4G) と呼ばれる入力グラフに条件付き反復的洗練によりテキストを生成する非自己回帰拡散フレームワークを提案する。 グラフコンポーネント(エンティティ/リレーション)を対応するシーケンストークンにアライメントすることで、DLM4Gは適応的なノイズ付け戦略を採用する。 提案手法は,エンティティとリレーショナルトークンのノイズを適応的に変調する信号として,一括復調誤差を用い,グラフ構造の保存を改善し,グラフ編集による局所的な更新を可能にする。 3つのデータセットに基づいて評価し、DLM4Gは、表面形状と埋め込みベースのメトリクスの両方で同じ分割に基づいてトレーニングされた、競争力のあるG2S拡散ベースラインを一貫して上回る。 DLM4Gはさらに、微調整された自己回帰ベースラインを最大12倍(例えば、T5-ラージ)まで越え、ゼロショットLLM転送ベースラインを最大127倍まで上回っている。 最強の微調整 PLM ベースラインと比較して、DLM4G はファクトライディング (FGT@0.5) を +5.16% 改善し、編集感度 (ESR) を +7.9% 改善し、最高の拡散ベースラインに比べて FGT@0.5 では +3.75% 、ESR では +23.6% となる。 また, 分子キャプション実験により, テキストグラフを超える適用性を示すとともに, 科学的G2S生成に対する手法の汎用性を示す。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
  次世代予測は大規模言語モデル(LLM)の訓練の基本原理である 本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。 私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
  論文  参考訳（メタデータ） (2025-04-18T10:46:22Z)
• GMLM: Bridging Graph Neural Networks and Language Models for Heterophilic Node Classification [0.0]
  本稿では,事前学習したテキストエンコーダとグラフ畳み込みネットワーク(R-GCN)を効果的に融合するフレームワークを提案する。 5つのヘテロ親和性ベンチマークの実験により、我々の積分法は最先端の結果が得られることを示した。 これらの結果は,テキストリッチグラフ表現学習における融合戦略の有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-02-24T07:44:01Z)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Ontology-Free General-Domain Knowledge Graph-to-Text Generation Dataset Synthesis using Large Language Model [4.474834288759608]
  Graph-to-Text(G2T)生成は構造化グラフを自然言語に言語化する。 高品質な一般ドメインG2T生成データセットの不足は、一般ドメインG2T生成研究の進展を制限する。 ウィキペディアオントロジーフリーグラフテキストデータセット(WikiOFGraph)を紹介する。
  論文  参考訳（メタデータ） (2024-09-11T08:16:20Z)
• KERMIT: Knowledge Graph Completion of Enhanced Relation Modeling with Inverse Transformation [19.31783654838732]
  大規模言語モデルを用いてコヒーレントな記述を生成し,クエリと回答のセマンティックなギャップを埋める。 また、逆関係を利用して対称グラフを作成し、KGCのための強化トレーニングサンプルを提供する。 提案手法は,WN18RRではHit@1が4.2%,FB15k-237ではHit@3が3.4%向上し,優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-26T09:03:25Z)

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。