論文の概要: LLMs+Graphs: Toward Graph-Native, Synergistic AI Systems

• arxiv url: http://arxiv.org/abs/2606.11560v1
• Date: Wed, 10 Jun 2026 01:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.239491
• Title: LLMs+Graphs: Toward Graph-Native, Synergistic AI Systems
• Title（参考訳）: LLMs+Graphs: グラフネイティブでシナジスティックなAIシステムを目指して
• Authors: Arijit Khan, Longxu Sun, Xin Huang,
• Abstract要約: 大規模言語モデル(LLM)は急速に進歩しているが、構造化およびマルチホップ推論における制限は、グラフネイティブなAIシステムの必要性を浮き彫りにしている。 このチュートリアルは、これらの収束方向を駆動するアルゴリズム、システム、設計原則を合成する。 データサイエンスとデータマイニングの研究者たちに、LLM、グラフデータ管理、グラフマイニング、グラフML、エージェント計算を、次世代のグラフネイティブAIシステムに統合するための統一的な視点を提供する。
• 参考スコア（独自算出の注目度）: 6.871701256432778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have advanced rapidly, but their limitations in structured and multi-hop reasoning underscore the need for graph-native, synergistic artificial intelligence (AI) systems. Graph-structured data underpins critical applications across social, biological, financial, transportation, web, and knowledge domains, making it essential to understand how LLMs can leverage graph computation for grounded, context-rich inference. Three complementary synergies are emerging: LLMs augmented with graph computation for retrieval and reasoning; bidirectional integration between LLMs and knowledge graphs (KGs), where LLMs support KG construction and curation while KGs enforce semantic constraints and factual consistency; and AI agents strengthened by graph algorithms for planning, decision making, and multi-step reasoning. In parallel, LLMs introduce new capabilities for graph data management and graph machine learning (ML) through natural language interfaces and hybrid LLM-graph neural network (GNN) pipelines. This tutorial synthesizes the algorithms, systems, and design principles driving these converging directions, offering data science and data mining researchers a unified perspective on integrating LLMs, graph data management, graph mining, graph ML, and agentic computation into next-generation graph-native AI systems.
• Abstract（参考訳）: 大規模言語モデル(LLM)は急速に進歩してきたが、構造化およびマルチホップ推論における制限は、グラフネイティブでシナジスティックな人工知能(AI)システムの必要性を浮き彫りにしている。 グラフ構造化データは、社会的、生物学的、財務的、輸送的、ウェブ、知識ドメインにまたがる重要な応用を基盤としており、LLMがグラフ計算をどのように活用できるかを理解することが不可欠である。 検索と推論のためにグラフ計算を付加したLLM、LLMと知識グラフ(KG)の双方向統合、LLMがKGの構築とキュレーションをサポートし、KGがセマンティック制約と事実整合性を強制するKG、そして計画、意思決定、多段階推論のためのグラフアルゴリズムによって強化されたAIエージェントの3つの相補的なシナジーが出現している。 並行して、LLMは自然言語インターフェースとハイブリッドLLMグラフニューラルネットワーク(GNN)パイプラインを通じて、グラフデータ管理とグラフ機械学習(ML)の新機能を導入している。 このチュートリアルは、これらの収束方向を駆動するアルゴリズム、システム、設計原則を合成し、データサイエンスとデータマイニング研究者に、LLM、グラフデータ管理、グラフマイニング、グラフML、エージェント計算を次世代のグラフネイティブAIシステムに統合するための統一された視点を提供する。

関連論文リスト

• Graph Learning in the Era of LLMs: A Survey from the Perspective of Data, Models, and Tasks [25.720233631885726]
  グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)の統合は、有望な技術パラダイムとして現れている。 データ品質を根本的に向上させるために、リッチなセマンティックコンテキストを持つグラフ記述テキストを活用します。 この研究は、グラフ学習方法論の進歩を目指す研究者や実践者にとって、基礎的な参考となる。
  論文  参考訳（メタデータ） (2024-12-17T01:41:17Z)
• 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)
• Graph Machine Learning in the Era of Large Language Models (LLMs) [44.25731266093967]
  グラフは、ソーシャルネットワーク、知識グラフ、分子発見など、さまざまな領域における複雑な関係を表現する上で重要な役割を果たす。 ディープラーニングの出現に伴い、グラフニューラルネットワーク(GNN)がグラフ機械学習(Graph ML)の基盤として登場した。 近年、LLMは言語タスクにおいて前例のない能力を示し、コンピュータビジョンやレコメンデータシステムなど様々なアプリケーションで広く採用されている。
  論文  参考訳（メタデータ） (2024-04-23T11:13:39Z)
• Can we Soft Prompt LLMs for Graph Learning Tasks? [22.286189757942054]
  GraphPrompterは、グラフ情報とLLM(Large Language Models)をソフトプロンプトで整合させるように設計されたフレームワークである。 このフレームワークは、グラフ関連タスクの予測子としてLLMの実質的な機能を明らかにしている。
  論文  参考訳（メタデータ） (2024-02-15T23:09:42Z)
• 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)
• 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。