論文の概要: TAHB: A Comprehensive Benchmark for Text-Attributed Hypergraph Learning

• arxiv url: http://arxiv.org/abs/2608.15055v1
• Date: Sat, 15 Aug 2026 06:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.174833
• Title: TAHB: A Comprehensive Benchmark for Text-Attributed Hypergraph Learning
• Title（参考訳）: TAHB:テキスト分散ハイパーグラフ学習のための総合ベンチマーク
• Abstract要約: ハイパーグラフは、ペアワイズ相互作用を超えた高次のグループワイズ関係を効果的にモデル化する。 事前訓練言語モデル(PLM)と大規模言語モデル(LLM)は、テキスト属性から豊富な意味理解を提供する。 我々は,ハイパーグラフ構造と生のテキスト属性を統合した最初の公開ベンチマークであるTAHB(Text-Attributed Hypergraph Benchmark)を提案する。
• 参考スコア（独自算出の注目度）: 16.697800509771614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hypergraphs effectively model higher-order groupwise relationships beyond pairwise interactions, while pretrained language models (PLMs) and large language models (LLMs) provide rich semantic understanding from textual attributes. However, research on combining language models with hypergraph learning remains limited due to the lack of public text-attributed hypergraph benchmarks. To address this limitation, we present TAHB (Text-Attributed Hypergraph Benchmark), the first public benchmark integrating hypergraph structures and raw textual attributes. TAHB contains 10 real-world datasets from four domains - e-commerce, academia, movies, and politics networks - enabling systematic evaluation of text-aware hypergraph representation learning. Experimental results show that TAHB preserves key structural properties of real-world hypergraphs and consistently reproduces performance tendencies observed in existing benchmarks. Furthermore, experiments under both LLM-as-Enhancer and LLM-as-Predictor settings demonstrate that LLM-enhanced textual semantics improve hypergraph learning performance, while structural and textual information jointly provide the best setting for LLM-based prediction. Our benchmark provides a foundation for future research at the intersection of hypergraph learning and language models.
• Abstract（参考訳）: ハイパーグラフは、ペアの相互作用を超えた高次のグループ関係を効果的にモデル化する一方、事前訓練言語モデル(PLM)と大規模言語モデル(LLM)は、テキスト属性からリッチなセマンティック理解を提供する。 しかし,言語モデルとハイパーグラフ学習を併用する研究は,公開テキストによるハイパーグラフベンチマークが欠如しているため,依然として限られている。 この制限に対処するため、我々は、ハイパーグラフ構造と生のテキスト属性を統合する最初の公開ベンチマークであるTAHB(Text-Attributed Hypergraph Benchmark)を提案する。 TAHBには、eコマース、アカデミア、映画、政治ネットワークという4つのドメインから10の現実世界のデータセットが含まれており、テキスト対応のハイパーグラフ表現学習の体系的な評価を可能にしている。 実験により,TAHBは実世界のハイパーグラフの重要な構造特性を保ち,既存のベンチマークで観測された性能傾向を一貫して再現することを示した。 さらに, LLM-as-Enhancer と LLM-as-Predictor の両設定による実験により, LLM-enhanced Textual semantics によるハイパーグラフ学習性能の向上が示された。 我々のベンチマークは、ハイパーグラフ学習と言語モデルの交差における将来の研究の基盤を提供する。

関連論文リスト

• Semi-Supervised Text-Attributed Graph Distillation [15.73558394941586]
  em Text-Attributed Graphs (TAG)は、グラフトポロジとリッチテキストセマンティクスを統合するための表現型データモデルとして登場した。 我々は、Em Wasserstein Distance (WSD)によってガイドされる統合された半教師付きフレームワークであるalgoを提案する。
  論文  参考訳（メタデータ） (2026-05-27T14:52:24Z)
• Hypergraph as Language [49.35033483821496]
  大規模言語モデルのためのハイパーグラフネイティブアライメントフレームワークを提案する。 ハイパーグラフ構造の場合、既存のメソッドは複数のオブジェクトが同じ高次関係で結合されているというネイティブセマンティクスを保存するのに失敗することが多い。 また,Hyper-Alignはドメイン内およびゼロショット評価において,既存手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-21T01:09:48Z)
• Unify Graph Learning with Text: Unleashing LLM Potentials for Session Search [35.20525123189316]
  セッション検索は、ユーザの複雑な情報ニーズを満たすための一連の対話的なクエリとアクションを含む。 現在の戦略は、相互作用のグラフ構造を見渡すことで、深い意味理解のためのシーケンシャルなモデリングを優先している。 テキストベースとグラフベースの両方のアプローチを活用することを目的としたSGR(Symbolic Graph Ranker)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T10:05:06Z)
• Beyond Graphs: Can Large Language Models Comprehend Hypergraphs? [26.39103710373248]
  NLGraphやGraphQAといった既存のベンチマークでは、ペア関係を中心にグラフ上のLLMを評価している。 LLM4Hypergraphは、8つの低次、5つの高次、および2つの同型タスクにまたがる21,500の問題をまとめた最初の総合的なベンチマークである。 GPT-4oを含む6つの著名なLCMを評価し、モデル強度と弱点の同定におけるベンチマークの有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-14T01:55:02Z)
• Hypergraph based Understanding for Document Semantic Entity Recognition [65.84258776834524]
  我々は,ハイパグラフアテンションを利用したハイパグラフアテンション文書セマンティックエンティティ認識フレームワークHGAを構築し,エンティティ境界とエンティティカテゴリを同時に重視する。 FUNSD, CORD, XFUNDIE で得られた結果は,本手法が意味的エンティティ認識タスクの性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-07-09T14:35:49Z)
• HyperBERT: Mixing Hypergraph-Aware Layers with Language Models for Node Classification on Text-Attributed Hypergraphs [16.07396492960869]
  我々はハイパーグラフリレーショナル構造とテキスト分散ハイパーグラフを同時にモデル化する新しいアーキテクチャHyperBERTを提案する。 結果から,HyperBERTは5つの挑戦的テキスト分散ハイパーグラフノード分類ベンチマークに対して,新たな最先端性を達成していることがわかった。
  論文  参考訳（メタデータ） (2024-02-11T21:16:26Z)
• 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)
• 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)
• HTLM: Hyper-Text Pre-Training and Prompting of Language Models [52.32659647159799]
  大規模なWebクローリングで訓練されたハイパーテキスト言語モデルであるHTLMを紹介する。 単純化したHTML上でのBARTスタイルのデノベーション損失による事前訓練は、広範囲のタスクや監督レベルに対して非常に効果的な転送を可能にすることを示す。 我々は,HTLMに対して,テキストプロンプトが既存のLMに対して行うことよりも,データ効率の面で高い価値を提供することを発見した。
  論文  参考訳（メタデータ） (2021-07-14T19:39:31Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)

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。