Fugu-MT 論文翻訳(概要): GraphARC: A Comprehensive Benchmark for Graph-Based Abstract Reasoning

論文の概要: GraphARC: A Comprehensive Benchmark for Graph-Based Abstract Reasoning

arxiv url: http://arxiv.org/abs/2605.31031v1
Date: Fri, 29 May 2026 09:03:30 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.492526
Title: GraphARC: A Comprehensive Benchmark for Graph-Based Abstract Reasoning
Title（参考訳）: GraphARC: グラフベースの抽象推論のための総合ベンチマーク
Abstract要約: グラフ構造化データの抽象的推論のためのベンチマークであるGraphARCを紹介する。各タスクは、新しいテストグラフに適用する少数の入出力ペアから変換ルールを推論する必要がある。我々はGraphARCの最先端言語モデルを評価し、明確な制限を観察する。
参考スコア（独自算出の注目度）: 28.844098517315228
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Relational reasoning lies at the heart of intelligence, but existing benchmarks are typically confined to formats such as grids or text. We introduce GraphARC, a benchmark for abstract reasoning on graph-structured data. GraphARC generalizes the few-shot transformation learning paradigm of the Abstraction and Reasoning Corpus (ARC). Each task requires inferring a transformation rule from a few input-output pairs and applying it to a new test graph, covering local, global, and hierarchical graph transformations. Unlike grid-based ARC, GraphARC instances can be generated at scale across diverse graph families and sizes, enabling systematic evaluation of generalization abilities. We evaluate state-of-the-art language models on GraphARC and observe clear limitations. Models can answer questions about graph properties but often fail to solve the full graph transformation task, revealing a comprehension-execution gap. Performance further degrades on larger instances, exposing scaling barriers. More broadly, by combining aspects of node classification, link prediction, and graph generation within a single framework, GraphARC provides a promising testbed for future graph foundation models.
Abstract（参考訳）: リレーショナル推論はインテリジェンスの中心にあるが、既存のベンチマークは通常、グリッドやテキストのようなフォーマットに限定されている。グラフ構造化データの抽象的推論のためのベンチマークであるGraphARCを紹介する。 GraphARCは、ARC(Abstraction and Reasoning Corpus)の少数ショット変換学習パラダイムを一般化している。各タスクは、いくつかの入出力ペアから変換ルールを推論し、それをローカル、グローバル、階層的なグラフ変換をカバーする新しいテストグラフに適用する必要がある。グリッドベースのARCとは異なり、GraphARCインスタンスは様々なグラフファミリやサイズのスケールで生成することができ、一般化能力の体系的な評価を可能にする。我々はGraphARCの最先端言語モデルを評価し、明確な制限を観察する。モデルはグラフ特性に関する質問に答えることができますが、完全なグラフ変換タスクの解決に失敗することが多く、理解と実行のギャップが明らかになります。大規模インスタンスではパフォーマンスはさらに低下し、スケーリング障壁が露出する。より広い範囲で、ノード分類、リンク予測、グラフ生成の側面を単一のフレームワークで組み合わせることで、GraphARCは将来のグラフ基盤モデルに有望なテストベッドを提供する。

関連論文リスト

SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
論文参考訳（メタデータ） (2026-08-25T20:18:05Z)
GraphWalk: Enabling Reasoning in Large Language Models through Tool-Based Graph Navigation [0.2999888908665658]
問題に依存しない、トレーニング不要な、ツールベースのフレームワークであるGraphWalkを紹介します。我々は、GraphWalkを組み込んだモデルが、これらの操作を正しい多段階推論チェーンに構成できるかどうかを評価する。
論文参考訳（メタデータ） (2026-04-02T04:43:01Z)
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)
G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
論文参考訳（メタデータ） (2025-09-29T04:38:12Z)
NodeRAG: Structuring Graph-based RAG with Heterogeneous Nodes [25.173078967881803]
Retrieval-augmented Generation (RAG)は、大規模な言語モデルに対して、外部およびプライベートコーパスへのアクセスを許可する。現在のグラフベースのRAGアプローチは、グラフ構造の設計をほとんど優先順位付けしない。不適切な設計のグラフは、多様なグラフアルゴリズムのシームレスな統合を妨げるだけでなく、ワークフローの不整合をもたらす。異種グラフ構造を導入したグラフ中心のフレームワークであるNodeRAGを提案する。
論文参考訳（メタデータ） (2025-04-15T18:24:00Z)
Query-Aware Learnable Graph Pooling Tokens as Prompt for Large Language Models [3.9489815622117566]
Learnable Graph Pooling Token (LGPT)は、フレキシブルで効率的なグラフ表現を可能にする。提案手法は,大規模言語モデルを訓練することなく,GraphQAベンチマークで4.13%の性能向上を実現している。
論文参考訳（メタデータ） (2025-01-29T10:35:41Z)
Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2025-01-01T08:48:53Z)
GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
論文参考訳（メタデータ） (2024-02-23T08:29:42Z)
G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文参考訳（メタデータ） (2024-02-12T13:13:04Z)
MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
論文参考訳（メタデータ） (2024-01-10T07:58:44Z)
GraphGPT: Graph Instruction Tuning for Large Language Models [27.036935149004726]
グラフニューラルネットワーク(GNN)は、グラフ構造を理解するために進化してきた。堅牢性を高めるために、自己教師付き学習(SSL)はデータ拡張の重要なツールとなっている。本研究は,ゼロショット学習環境におけるグラフモデルの一般化を推し進めることによって,この問題に対処する。
論文参考訳（メタデータ） (2023-10-19T06:17:46Z)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。