論文の概要: Position: How can Graphs Help Large Language Models?

• arxiv url: http://arxiv.org/abs/2605.02452v1
• Date: Mon, 04 May 2026 10:56:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.246992
• Title: Position: How can Graphs Help Large Language Models?
• Title（参考訳）: 位置: グラフは大規模言語モデルにどのように役立つか?
• Authors: Xiyuan Wang, Yi Hu, Yanbo Wang, Chuan Shi, Muhan Zhang,
• Abstract要約: 大規模言語モデル(LLM)はグラフ学習のタスクから大きな恩恵を受けている。 本稿では,グラフがLLMにどのように役立つのか,という補完的な質問を行う。 1) グラフは幻覚の低減に役立つ最新の知識源を提供し,2) グラフベースの促進技術であるChain-of-Thought (CoT), Tree-of-Thought (ToT), Graph-of-Thought (GoT)-enhance LLM推論機能,3) グラフをLLMに統合することで構造化データの理解が向上する。
• 参考スコア（独自算出の注目度）: 61.53121236127126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the rapid advancement of large language models (LLMs), classic graph learning tasks have greatly benefited from LLMs, including improved encoding of textual features, more efficient construction of graphs from text, and enhanced reasoning over knowledge graphs. In this paper, we ask a complementary question: How can graphs help LLMs? We address this question from three perspectives: 1) graphs provide an up-to-date knowledge source that helps reduce LLM hallucinations, 2) graph-based prompting techniques-such as Chain-of-Thought (CoT), Tree-of-Thought (ToT), and Graph-of-Thought (GoT)-enhance LLM reasoning capabilities, and 3) integrating graphs into LLMs improves their understanding of structured data, expanding their applicability to domains such as e-commerce, code, and relational databases (RDBs). We further outlook some future directions including designing sparse LLM architectures based on graphs and brain-inspired memory systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩により、古典的なグラフ学習タスクは、テキスト特徴の符号化の改善、テキストからのグラフ構築の効率化、知識グラフに対する推論の強化など、LLMから大きな恩恵を受けている。 本稿では,グラフがLLMにどのように役立つのか,という補完的な質問を行う。 我々は3つの観点からこの問題に対処する。 1)グラフは、LLM幻覚を減らすのに役立つ最新の知識ソースを提供する。 2)グラフベースの促進技術 - CoT(Chain-of-Thought)、ToT(Tree-of-Thought)、GoT(Graph-of-Ehance LLM推論機能)など- 3) LLM にグラフを統合することで構造化データの理解が向上し,Eコマースやコード,リレーショナルデータベース(RDB)といった分野への適用性も向上する。 我々はさらに、グラフと脳にインスパイアされたメモリシステムに基づいてスパースLLMアーキテクチャを設計するなど、今後の方向性を概観する。

関連論文リスト

• 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)
• Graph-ToolFormer: To Empower LLMs with Graph Reasoning Ability via Prompt Augmented by ChatGPT [10.879701971582502]
  我々は,複雑なグラフデータに対する推論能力を備えた大規模言語モデル(LLM)の開発を目指している。 最新のChatGPTおよびToolformerモデルに触発された我々は、外部グラフ推論APIツールを使用するために、ChatGPTによって強化されたプロンプトでLLM自体を教えるためのGraph-ToolFormerフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-10T05:25:54Z)

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。