論文の概要: Clustering as Reasoning: A $k$-Means Interpretation of Chain-of-Thought Graph Learning

• arxiv url: http://arxiv.org/abs/2605.24867v1
• Date: Sun, 24 May 2026 04:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.483844
• Title: Clustering as Reasoning: A $k$-Means Interpretation of Chain-of-Thought Graph Learning
• Title（参考訳）: 推論としてのクラスタリング:$k$-Meansによる階層型グラフ学習の解釈
• Authors: Xuanting Xie, Zhaochen Guo, Bingheng Li, Xingtong Yu, Zhifei Liao, Zhao Kang, Yuan Fang,
• Abstract要約: CoT(Chain-of-Thought)プロンプトは,テキスト分散グラフ(TAG)上での大規模言語モデル(LLM)の推論能力の向上を約束している。 この作業は、クラスタリングの原則を推論として、CoTベースのグラフ学習を再設計し、グラフ構造化データ上で反復的推論がどのように動作するかを、$k$-meansで解釈する。
• 参考スコア（独自算出の注目度）: 22.799865652941136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chain-of-Thought (CoT) prompting has shown promise in enhancing the reasoning capabilities of large language models (LLMs) on text-attributed graphs (TAGs). This work reframes CoT-based graph learning through the principle of clustering as reasoning, offering a $k$-means interpretation of how iterative reasoning operates over graph-structured data. We observe that existing graph CoT methods rely on disjoint architectures and fixed graph representations, limiting step-by-step semantic-topological interaction and interpretability. To overcome this limitation, we propose a unified framework named KCoT that integrates CoT reasoning with graph representation learning. Our key theoretical result reveals a formal mathematical correspondence between a Transformer block and the $k$-means algorithm, allowing reasoning to be interpreted as iterative assignment and update steps. Based on this insight, we introduce a Semantic Discriminating Prompt that explicitly formulates these steps as structured CoT reasoning, together with a structure-grounded alignment strategy to fuse topological priors with evolving thought-conditioned representations. Experiments on standard benchmarks demonstrate consistent improvements over state-of-the-art methods, validating clustering as a principled mechanism for CoT-based graph learning.
• Abstract（参考訳）: CoT(Chain-of-Thought)のプロンプトは、テキスト分散グラフ(TAG)上での大規模言語モデル(LLM)の推論能力を高めることを約束している。 この作業は、クラスタリングの原則を推論として、CoTベースのグラフ学習を再設計し、グラフ構造化データ上で反復的推論がどのように動作するかを、$k$-meansで解釈する。 既存のグラフCoT法は不整合アーキテクチャと固定グラフ表現に依存しており、ステップバイステップのセマンティックトポロジカル相互作用と解釈可能性を制限する。 この制限を克服するために,CoT推論とグラフ表現学習を統合したKCoTという統合フレームワークを提案する。 我々の鍵となる理論的結果は、Transformerブロックと$k$-meansアルゴリズムの間の公式な数学的対応を明らかにし、推論を反復代入と更新ステップとして解釈することができる。 この知見に基づいて,これらのステップを構造的CoT推論として明示的に定式化するセマンティック識別プロンプトと,トポロジカル先行と進化的思考条件表現を融合する構造的アライメント戦略を導入する。 標準ベンチマークの実験では、CoTベースのグラフ学習の原則的メカニズムとしてクラスタリングを検証することによって、最先端の手法よりも一貫した改善が示されている。

関連論文リスト

• TDA-RC: Task-Driven Alignment for Knowledge-Based Reasoning Chains in Large Language Models [54.20787536978013]
  CoT(Chain-of-Thought)パラダイムはシングルラウンド効率の実践的応用を支配しているが、その推論チェーンは論理的ギャップをしばしば示している。 本稿では,推論連鎖を最適化するトポロジに基づく手法を提案する。 「本手法は推論精度と効率のバランスが良好であることを示し、多ラウンドインテリジェンスによる単ラウンド生成の実践的解決策を示す。」
  論文  参考訳（メタデータ） (2026-03-13T13:01:01Z)
• Adaptive Graph of Thoughts: Test-Time Adaptive Reasoning Unifying Chain, Tree, and Graph Structures [0.0]
  本稿では,動的グラフベースの推論フレームワークであるAdaptive Graph of Thoughts (AGoT)を紹介する。 AGoTはテスト時間のみでのLarge Language Models (LLM)推論を強化する。 マルチホップ検索,科学的推論,数学的問題解決にまたがる多様なベンチマークに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-07T16:54:19Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• On the Diagram of Thought [20.805936414171892]
  大規模言語モデル(LLM)は多くのタスクで優れているが、構造化された多段階の推論を必要とする複雑な問題に悩まされることが多い。 思考のダイアグラム(Diagram of Thought, DoT)は、1つのLCMがその推論のメンタルマップを構築し、ナビゲートすることを可能にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-09-16T07:01:41Z)
• Homomorphism Counts for Graph Neural Networks: All About That Basis [8.25219440625445]
  我々は、よりきめ細かいアプローチを論じ、対象パターンの基底''にすべての構造の準同型数を含む。 これにより計算複雑性の面で追加のオーバーヘッドを発生させずに、より表現力のあるアーキテクチャが得られる。
  論文  参考訳（メタデータ） (2024-02-13T16:57:06Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。