論文の概要: Are Large Language Models Suitable for Graph Computation? Progress and Prospects

• arxiv url: http://arxiv.org/abs/2606.06865v1
• Date: Fri, 05 Jun 2026 03:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.541924
• Title: Are Large Language Models Suitable for Graph Computation? Progress and Prospects
• Title（参考訳）: 大規模言語モデルはグラフ計算に適しているか? 進展と展望
• Authors: Yuting Zhang, Yi Han, Kai Wang, Wei Ni, Angela Bonifati, Wenjie Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 31.182390464506053
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) have been increasingly explored for graph computation, where tasks require reasoning over structured relationships and algorithmic operations. Yet, it remains unclear when LLMs can reliably support such computation and how they should be incorporated into graph-solving pipelines. Existing surveys at the intersection of LLMs and graphs primarily focus on graph learning, text-attributed graphs, or graph-language modeling. To bridge this gap, we provide a comprehensive review of LLMs for graph computation through a role-based taxonomy. Specifically, we identify two major paradigms: i) LLMs as executors, where models directly solve graph tasks from graph descriptions and instructions; and ii) LLMs as planners, where models formulate problems, decompose reasoning steps, and invoke external tools or agents for execution. Based on this taxonomy, we analyze the strengths and limitations of current methods. Our review indicates that LLMs are promising for simple, small-scale tasks, but remain unreliable for large-scale and exactness-demanding tasks. Finally, we summarize available datasets and suggest four future directions.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、構造化された関係性やアルゴリズム操作の推論を必要とするグラフ計算のために、ますます研究されている。 しかし、LLMがそのような計算を確実にサポートし、どのようにグラフ解決パイプラインに組み込むべきかは、まだ不明である。 LLMとグラフの交差点における既存の調査は、主にグラフ学習、テキスト分散グラフ、グラフ言語モデリングに焦点を当てている。 このギャップを埋めるために、我々はロールベースの分類法を通してグラフ計算のためのLLMの包括的なレビューを行う。 具体的には2つの主要なパラダイムを特定します。 一 モデルがグラフ記述及び指示からグラフタスクを直接解決する執行人としてのLLM 二 モデルが問題を定式化し、推論ステップを分解し、外部ツール又は実行エージェントを起動するプランナーとしてのLLM この分類に基づいて,現在の手法の強さと限界を分析する。 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。 最後に、利用可能なデータセットを要約し、4つの今後の方向性を提案する。

関連論文リスト

• 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)
• A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications [4.777453721753589]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクを処理する強力な一般化能力を示した。 LLMは、グラフタスクの一般化の課題に対処する上で、優れたアドバンテージを享受する。 LLMをグラフ解析タスクに適応させることは困難である。
  論文  参考訳（メタデータ） (2024-04-23T07:39:24Z)
• 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)

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。