論文の概要: Evaluating LLMs on Large-Scale Graph Property Estimation via Random Walks

• arxiv url: http://arxiv.org/abs/2605.01484v1
• Date: Sat, 02 May 2026 15:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.797775
• Title: Evaluating LLMs on Large-Scale Graph Property Estimation via Random Walks
• Title（参考訳）: ランダムウォークによる大規模グラフ特性推定におけるLLMの評価
• Abstract要約: 実世界のデータでは、グラフのサイズは著しく大きくなり、多くの場合、完全にアクセスできない。 大規模グラフベンチマークデータセットであるEstGraphを提案し,大規模グラフ特性を推定するための4つの異なるタスクを提案する。 我々は,これらのタスクにおけるLLMの推論能力について,多種多様なグラフデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 4.0636315905272475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapidly improving reasoning abilities of Large Language Models (LLMs), there is also a rising demand to use them in a wide variety of domains. This brings about the need to carefully evaluate the limits of the capabilities of these models with various tests and benchmarks. Graph structures are ubiquitous in real-world data, and are often used to represent and analyze relationship patterns within data. Many benchmarks have already been proposed in the graph literature to test the reasoning ability of LLMs to follow and execute graph algorithms. However, due to the limited context length of LLMs, these benchmarks consist of very small graphs. In real-world data, the size of graphs can be significantly larger, and in many cases, not fully accessible. In this paper, we examine a class of problems that arises with very large graphs having limited accessibility. We propose a large graph benchmark dataset, EstGraph, and introduce four distinct tasks designed to estimate large graph properties. We evaluate the reasoning abilities of LLMs on these tasks using a wide variety of graph datasets. In addition, we provide task-specific prompt constructions based on random walk sampling of large graphs (up to millions of nodes) that effectively convey sufficient information to LLMs within the limits of context length.
• Abstract（参考訳）: LLM(Large Language Models)の推論能力が急速に向上し、さまざまな領域でそれらを使用する必要性が高まっている。 これにより、様々なテストとベンチマークでこれらのモデルの能力の限界を慎重に評価する必要がある。 グラフ構造は現実世界のデータでユビキタスであり、しばしばデータ内の関係パターンを表現および分析するために使用される。 グラフアルゴリズムの追従と実行に関するLSMの推論能力をテストするために、グラフ文献にはすでに多くのベンチマークが提案されている。 しかし、LLMのコンテキスト長が限られているため、これらのベンチマークは非常に小さなグラフで構成されている。 実世界のデータでは、グラフのサイズは著しく大きくなり、多くの場合、完全にアクセスできない。 本稿では,アクセシビリティが制限されたグラフで発生する問題のクラスについて検討する。 大規模グラフベンチマークデータセットであるEstGraphを提案し,大規模グラフ特性を推定するための4つの異なるタスクを提案する。 我々は,これらのタスクにおけるLLMの推論能力について,多種多様なグラフデータセットを用いて評価する。 さらに,大規模グラフ(最大数百万ノード)のランダムウォークサンプリングに基づくタスク固有のプロンプト構築を行い,文脈長の制限内でLLMに十分な情報を効果的に伝達する。

関連論文リスト

• Are Large Language Models Suitable for Graph Computation? Progress and Prospects [31.182390464506053]
  グラフ計算のために大規模言語モデル (LLM) が研究されている。 本稿では、ロールベースの分類法を用いて、グラフ計算のためのLLMの総合的なレビューを行う。 我々のレビューでは、LLMは単純で小規模なタスクに対して有望であるが、大規模かつ正確なタスクには信頼できないことが示されている。
  論文  参考訳（メタデータ） (2026-06-05T03:24:38Z)
• Exploring Graph Tasks with Pure LLMs: A Comprehensive Benchmark and Investigation [26.19182768810174]
  グラフ構造化データは、さまざまな領域でますます普及し、グラフタスクを処理する効果的なモデルに対する需要が高まっている。 グラフニューラルネットワーク(GNN)のような従来のグラフ学習モデルは、大きな進歩を遂げているが、グラフデータを扱う能力は、特定のコンテキストにおいて制限されている。 近年,グラフタスクの候補として大規模言語モデル (LLM) が登場しているが,ほとんどの研究はパフォーマンスベンチマークに重点を置いている。
  論文  参考訳（メタデータ） (2025-02-26T03:03:46Z)
• What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs [69.48708136448694]
  大規模言語モデル(LLM)は、期待される推論能力と推論能力のために、AIコミュニティで再編成されている。 我々は、グラフのこのようなパラメトリック表現、グラフ法則は、LLMがグラフデータを入力として理解させるソリューションであると信じている。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• 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)
• Can Large Language Models Analyze Graphs like Professionals? A Benchmark, Datasets and Models [70.03602551880526]
  グラフを処理するために,大規模言語モデル(LLM)のベンチマークであるProGraphを導入する。 その結果,現在のLCMの性能は不満足であり,最高のモデルでは36%の精度しか達成できないことがわかった。 本研究では,6つの広く使用されているグラフライブラリに基づいて,クローリングされたドキュメントと自動生成コードを含むLLM4Graphデータセットを提案する。
  論文  参考訳（メタデータ） (2024-09-29T11:38:45Z)
• Revisiting the Graph Reasoning Ability of Large Language Models: Case Studies in Translation, Connectivity and Shortest Path [53.71787069694794]
  大規模言語モデル(LLM)のグラフ推論能力に着目する。 グラフ記述変換,グラフ接続,最短パス問題という3つの基本グラフタスクにおけるLLMの能力を再考する。 この結果から,LLMはテキスト記述によるグラフ構造理解に失敗し,これらの基本課題に対して様々な性能を示すことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-18T16:26:39Z)
• Exploring the Potential of Large Language Models in Graph Generation [51.046188600990014]
  グラフ生成は、与えられたプロパティを持つグラフを生成するために、大きな言語モデル(LLM)を必要とする。 本稿では,LLMのグラフ生成能力について,系統的なタスク設計と実験による検討を行う。 評価の結果,LLM,特にGPT-4は,グラフ生成タスクに予備的能力を示すことがわかった。
  論文  参考訳（メタデータ） (2024-03-21T12:37:54Z)
• 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)

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。