論文の概要: PromptGNN-sim: Deep Fusion and Alignment of GNN and LLMs for Text-Attributed Graph Learning

• arxiv url: http://arxiv.org/abs/2606.30291v1
• Date: Mon, 29 Jun 2026 13:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.24765
• Title: PromptGNN-sim: Deep Fusion and Alignment of GNN and LLMs for Text-Attributed Graph Learning
• Title（参考訳）: PromptGNN-sim:テキスト分散グラフ学習のためのGNNとLLMの深層融合とアライメント
• Authors: Zhifei Hu, Alexandra I. Cristea,
• Abstract要約: Text-Attributed Graphs (TAG) は、テキスト意味論とグラフ構造を結合し、多くのグラフ学習タスクの中心となる。 本稿では,協調的なGNN-LLM学習のための双方向構造意味融合フレームワークPromptGNN-simを提案する。
• 参考スコア（独自算出の注目度）: 46.62711277296245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-Attributed Graphs (TAGs) combine textual semantics with graph structure and are central to many graph learning tasks. However, existing fusion methods often treat text and structure as separate inputs in a shallow, one-way pipeline, which limits deep interaction between modalities and weakens performance under sparse connectivity or cross-graph generalisation. To address this issue, we propose PromptGNN-sim, a bi-directional structure-semantic fusion framework for collaborative GNN-LLM learning. PromptGNN-sim uses a Graph Attention Network (GAT) for semantically aware neighborhood selection by combining structural attention with textual similarity. The selected structural context is then used to generate structure-aware prompts for an LLM, including the target node summary, label categories, and representative keywords from similar neighbors. During training, bi-directional cross-modal contrastive learning and cross-attention are introduced to jointly optimize the GNN and LLM components. Experiments on six public datasets, including Cora, Pubmed, and WikiCS, evaluate accuracy, generalisation, and robustness under cross-task transfer, cross-dataset generalisation, and sparse perturbations. Results show that PromptGNN-sim outperforms classical GNNs, LLMs, and recent GNN-LLM fusion methods, demonstrating the effectiveness of interactive structure-semantic collaboration for text-attributed graph learning.
• Abstract（参考訳）: Text-Attributed Graphs (TAG) は、テキスト意味論とグラフ構造を結合し、多くのグラフ学習タスクの中心となる。 しかし、既存の融合法は、浅い一方通行のパイプラインでテキストと構造を別々の入力として扱うことが多く、これはモダリティ間の深い相互作用を制限し、疎結合やクロスグラフの一般化の下での性能を弱める。 本稿では,協調的なGNN-LLM学習のための双方向構造意味融合フレームワークであるPromptGNN-simを提案する。 PromptGNN-simは、構造的注意とテキスト的類似性を組み合わせたセマンティック・アテンション・ネットワーク(GAT)を使用する。 選択された構造的コンテキストは、ターゲットノードサマリー、ラベルカテゴリ、および類似した隣人からの代表キーワードを含む、LLMのための構造対応プロンプトを生成するために使用される。 トレーニング中、GNNとLLMコンポーネントを協調的に最適化するために、双方向のクロスモーダルコントラスト学習とクロスアテンションが導入される。 Cora、Pubmed、WikiCSを含む6つの公開データセットの実験は、クロスタスク転送、クロスデータセットの一般化、スパース摂動の精度、一般化、堅牢性を評価する。 その結果, PromptGNN-simは従来のGNN, LLM, および最近のGNN-LLM融合法より優れており, テキスト分散グラフ学習における対話型構造意味協調の有効性が示された。

関連論文リスト

• Integrating Structural and Semantic Signals in Text-Attributed Graphs with BiGTex [0.0]
  BiGTexは、スタック化されたGraph-Text Fusion Unitを通じてGNNとLLMを密に統合する新しいアーキテクチャである。 BiGTexはノード分類における最先端性能を実現し、リンク予測に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-04-16T20:25:11Z)
• LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models [87.68057302738457]
  Text-Attributed Graphs (TAG) は、現実のシナリオにおいてユビキタスである。 大規模言語モデル(LLMs)とグラフニューラルネットワーク(GNNs)をTAGsに統合する努力にもかかわらず、既存のアプローチは分離されたアーキテクチャに悩まされている。 本稿では,グラフ語彙学習に基づくTAGのための汎用GFMであるPromptGFMを提案する。
  論文  参考訳（メタデータ） (2025-03-05T09:45:22Z)
• Harnessing Explanations: LLM-to-LM Interpreter for Enhanced Text-Attributed Graph Representation Learning [51.90524745663737]
  重要なイノベーションは、機能として説明を使用することで、下流タスクにおけるGNNのパフォーマンス向上に利用できます。 提案手法は、確立されたTAGデータセットの最先端結果を実現する。 本手法はトレーニングを著しく高速化し,ogbn-arxivのベースラインに最も近い2.88倍の改善を実現した。
  論文  参考訳（メタデータ） (2023-05-31T03:18:03Z)
• Jointly Cross- and Self-Modal Graph Attention Network for Query-Based Moment Localization [77.21951145754065]
  本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。 CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
  論文  参考訳（メタデータ） (2020-08-04T08:25:24Z)

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。