論文の概要: Agentic Graph Token Reasoning

• arxiv url: http://arxiv.org/abs/2608.00542v1
• Date: Sat, 01 Aug 2026 08:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.765373
• Title: Agentic Graph Token Reasoning
• Title（参考訳）: Agentic Graph Token Reasoning
• Abstract要約: エージェントグラフトークン推論を導入し,グラフトークン化を推論プロセスの一部として再キャストする。 我々のモデルは、大きなマージンで幅広いベースラインを上回り、ターゲットごとの微調整なしにゼロショットを目に見えない領域に転送することを示す。
• 参考スコア（独自算出の注目度）: 10.837857911869035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs model relational data throughout science and industry, from citation networks to product co-purchase graphs. Because the nodes of many such graphs carry rich text, a growing line of work applies large language models (LLMs) to graph analysis. The most graph-native of these methods use graph tokens: a graph encoder compresses a graph view, such as a node, its k-hop neighbourhood, or a cluster, into a short block of continuous tokens that jointly encodes node attributes and topology and is read directly by the model. Existing methods, however, use graph tokens in a static single-shot manner: they encode one predefined graph view before the model has even seen the target and never revise it, leaving the model's step-by-step reasoning ability unused. We introduce agentic graph token reasoning, which recasts graph tokenization as part of the reasoning process itself. At each step, the model chooses which graph view to encode and at what granularity; a graph encoder is invoked on demand to materialise the corresponding graph tokens; and the resulting block is spliced into the running context. The model thus reasons step by step in the graph token space, and the tokens it reads are trajectory-dependent. We realise this with a three-stage training pipeline: (i) self-supervised tasks that teach the model to read heterogeneous graph tokens, (ii) a token-robust trajectory stage with a graph-token consistency regulariser, and (iii) preference optimisation that rewards trajectories in which the graph-token evidence and the node-text evidence agree. Across evaluations spanning seven graph domains, our models outperform a broad set of baselines by a large margin and transfer zero-shot to unseen domains without any per-target fine-tuning. More broadly, this work pushes LLM-based graph analysis from static graph-token encoders towards a graph-native agent paradigm.
• Abstract（参考訳）: グラフは、引用ネットワークから製品の共同購入グラフまで、科学や産業全体にわたる関係データをモデル化する。 多くのグラフのノードにはリッチテキストが格納されているため、グラフ解析には大きな言語モデル(LLM)が適用される。 グラフエンコーダは、ノード、そのkホップ近傍、クラスタなどのグラフビューを、ノード属性とトポロジーを共同でエンコードし、モデルによって直接読まれる連続トークンの短いブロックに圧縮する。 しかし、既存の方法では、静的な単一ショット方式でグラフトークンを使用する:モデルがターゲットを見る前に事前に定義された1つのグラフビューをエンコードし、それを修正することなく、モデルのステップバイステップ推論能力を未使用のままにしておく。 エージェントグラフトークン推論を導入し,グラフトークン化を推論プロセスの一部として再キャストする。 各ステップにおいて、モデルは、どのグラフビューをエンコードするか、どの粒度をエンコードするかを選択し、グラフエンコーダは、要求に応じて呼び出されて対応するグラフトークンを実体化し、結果のブロックは実行中のコンテキストにスプライシングされる。 したがって、このモデルはグラフトークン空間のステップバイステップを理由とし、それが読み出すトークンは軌道依存である。 私たちはこれを3段階のトレーニングパイプラインで実現しています。 (i)異質なグラフトークンを読むためのモデルを教える自己教師型タスク。 (二)グラフ整合整合整合器を有するトークンローバスト軌道段階及び 三 グラフに付された証拠及び節文的証拠が一致する軌跡を報ずる選好最適化 7つのグラフ領域にまたがる評価において、我々のモデルは幅広いベースラインを大きなマージンで上回り、ターゲットごとの微調整なしにゼロショットを目に見えない領域に転送する。 より広範に、この研究は、静的グラフトークンエンコーダからLLMベースのグラフ解析を、グラフネイティブなエージェントパラダイムにプッシュする。

関連論文リスト

• When Graph Tokens Sink: A Mechanistic Analysis of Graph Language Models [20.38522061444383]
  我々は,Large Language Models (LLMs) がグラフ処理の振る舞いを通じてグラフ情報をどのように処理するかを分析する。 GLMにおけるグラフトークン内部の正当性は,グラフ情報の利用と等価ではない。
  論文  参考訳（メタデータ） (2026-06-02T14:34:01Z)
• 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)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• GraphSOS: Graph Sampling and Order Selection to Help LLMs Understand Graphs Better [13.742220809751627]
  GraphSOSは、グラフデータを自然言語テキストに変換する新しいフレームワークである。 Order Selector Moduleはグラフの適切なシリアライズ順序を保証するもので、Subgraph Smpling Moduleはより良い推論のためにより良い構造を持つサブグラフをサンプリングする。 ノード分類とグラフ問合せのための複数のデータセットの実験は、GraphSOSがグラフタスクにおけるLLMのパフォーマンスと能力を改善することを示した。
  論文  参考訳（メタデータ） (2025-01-24T11:55:57Z)
• Node Copying: A Random Graph Model for Effective Graph Sampling [35.957719744856696]
  本稿では,グラフ上の分布を構成するノードコピーモデルを提案する。 コピーモデルの有用性を3つのタスクで示す。 提案モデルを用いて,グラフトポロジに対する敵攻撃の効果を緩和する。
  論文  参考訳（メタデータ） (2022-08-04T04:04:49Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Graph2Graph Learning with Conditional Autoregressive Models [8.203106789678397]
  グラフ・ツー・グラフ学習のための条件付きオートレアモデルを提案する。 本稿では,グラフアルゴリズムの挑戦的部分グラフ予測実験を通じて,その表現能力について述べる。
  論文  参考訳（メタデータ） (2021-06-06T20:28:07Z)
• GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
  GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。 具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。 エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
  論文  参考訳（メタデータ） (2021-06-05T07:07:52Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)

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。