Fugu-MT 論文翻訳(概要): CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning

論文の概要: CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning

arxiv url: http://arxiv.org/abs/2607.14114v1
Date: Fri, 08 May 2026 08:31:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:13.012687
Title: CoEvoT: Co-Evolving Chain-of-Thought Prompting for Graph-LLM Reasoning
Title（参考訳）: CoEvoT: Graph-LLM推論のためのチェーン・オブ・ソート・プロンプトの共進化
Abstract要約: 分散シフト下のグラフ学習は、永続的な課題である。最近のグラフ--LLMアプローチは、グラフをプロンプトに線形化することでラベル効率の予測に向かっている。グラフ-LLM推論のための CoT プロンプトフレームワークである CoEvoT を提案する。
参考スコア（独自算出の注目度）: 28.466514163307295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph learning under distribution shift presents a persistent challenge, where models adapt to new graphs with limited or even no supervision. Recent graph--LLM approaches move toward label-efficient prediction by linearizing graphs into prompts and using large language models (LLMs) as predictors, and can adopt Chain-of-Thought (CoT) prompting to exploit LLM's multi-step reasoning capability. However, existing CoT-based graph--LLM methods generate intermediate thoughts while conditioning on fixed graph tokens, limiting step-wise refinement of structural cues. In this paper, we propose CoEvoT, a simple yet effective co-evolving CoT prompting framework for graph--LLM reasoning. CoEvoT couples text-to-graph token rewriting and graph-to-text reasoning guidance in a closed loop: each intermediate textual thought is used to update the graph token evidence state via a lightweight condition network, and the updated tokens are fed back into the next-step instruction to guide subsequent LLM reasoning. This enables step-wise, state-aware evidence refinement, rather than reasoning over a fixed graph snapshot. Extensive experiments on eight datasets demonstrate that CoEvoT consistently outperforms state-of-the-art baselines.
Abstract（参考訳）: 分散シフト下でのグラフ学習は、モデルが限定的あるいは監督なしで新しいグラフに適応する、永続的な課題を示す。最近のグラフ-LLMアプローチは、グラフをプロンプトに線形化し、大きな言語モデル(LLM)を予測子とし、LLMのマルチステップ推論能力を活用するためにChain-of-Thought(CoT)を採用することで、ラベル効率の予測に向かっている。しかし、既存のCoTベースのグラフ-LLM法は、固定されたグラフトークンを条件付けしながら中間的な思考を生成し、構造的キューの段階的洗練を制限する。本稿では,グラフ-LLM推論のための CoT プロンプトフレームワークである CoEvoT を提案する。 CoEvoTは、テキスト・ツー・グラフ・トークンの書き直しとグラフ・ツー・テキストの推論誘導をクローズドループで結合する: 各中間テキスト思考は、軽量条件ネットワークを介してグラフトークンのエビデンス状態を更新するために使用され、更新されたトークンは次のステップの命令にフィードバックされ、その後のLCM推論をガイドする。これにより、固定されたグラフスナップショットを推論するのではなく、ステップワイズでステートアウェアなエビデンスの改善が可能になる。 8つのデータセットに対する大規模な実験は、CoEvoTが一貫して最先端のベースラインを上回っていることを示している。

関連論文リスト

Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
論文参考訳（メタデータ） (2026-08-27T07:25:44Z)
Revisiting Graph-Tokenizing Large Language Models: A Systematic Evaluation of Graph Token Understanding [27.40991434448743]
Graph-Tokenizing LLM (GTokenLLMs) は複雑なグラフデータをグラフトークンに圧縮し、LLMをクエリするためのプレフィックストークンとして扱う。本稿では,形式や内容レベルでの命令変換によるグラフの理解を評価するための評価パイプラインを提案する。
論文参考訳（メタデータ） (2026-05-05T08:50:28Z)
Toward Graph-Tokenizing Large Language Models with Reconstructive Graph Instruction Tuning [17.712367049197212]
大きな言語モデル(LLM)がグラフをよりよく理解できるように、グラフデータを言語空間と整合させることが課題である。 GTokenLLMは複雑な構造と長いテキストをグラフトークンシーケンスにエンコードし、言語命令のチューニングを通じてテキストトークンと整列する。最初の成功にもかかわらず、我々の情報理論分析により、既存のGTokenLLMは言語命令からのテキスト管理のみに依存していることが明らかとなった。
論文参考訳（メタデータ） (2026-03-02T02:26:54Z)
Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文参考訳（メタデータ） (2026-01-19T08:10:53Z)
Graph-O1 : Monte Carlo Tree Search with Reinforcement Learning for Text-Attributed Graph Reasoning [7.792321858331646]
Graph-O1はエージェント的なGraphRAGフレームワークで、LCMがグラフ上で段階的にインタラクティブな推論を実行できる。提案手法はモンテカルロ木探索(MCTS)とエンドツーエンドの強化学習を統合し,最も情報に富む部分グラフの探索と検索を可能にする。
論文参考訳（メタデータ） (2025-11-26T21:32:04Z)
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)
Graph-R1: Incentivizing the Zero-Shot Graph Learning Capability in LLMs via Explicit Reasoning [7.1931434571877375]
グラフニューラルネットワーク(GNN)は固定ラベル空間によって制限されるが、Large Language Models(LLM)は構造的帰納バイアスを欠いている。近年のLarge Reasoning Models (LRMs) の進歩は、明示的な長い連鎖推論を通じてゼロショットの代替手段を提供する。本稿では,LRMによるテキスト推論問題として,ノード分類,リンク予測,グラフ分類などのグラフタスクを再構成するGNNフリーアプローチを提案する。
論文参考訳（メタデータ） (2025-08-24T14:49:02Z)
Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
次世代予測は大規模言語モデル(LLM)の訓練の基本原理である本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
論文参考訳（メタデータ） (2025-04-18T10:46:22Z)
GraphCLIP: Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs [27.169892145194638]
GraphCLIPは、強力なクロスドメインゼロ/フェーショット転送可能性を持つグラフ基盤モデルを学習するためのフレームワークである。 LLMの助けを借りて、大規模グラフ-土木ペアデータを生成し、キュレートする。数ショットの学習では,事前学習目標に沿った新しいグラフプロンプトチューニング手法を提案する。
論文参考訳（メタデータ） (2024-10-14T09:40:52Z)
Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
論文参考訳（メタデータ） (2024-04-28T18:36:59Z)
SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)

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。