論文の概要: SLM-Conditioned Hierarchical Relation Routing for Labeled Property Graph Learning
- arxiv url: http://arxiv.org/abs/2608.26132v1
- Date: Wed, 24 Jun 2026 21:02:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.355844
- Title: SLM-Conditioned Hierarchical Relation Routing for Labeled Property Graph Learning
- Title（参考訳）: ラベル付きプロパティグラフ学習のためのSLM-Conditioned Hierarchical Relation Routing
- Abstract要約: 本稿では,小さな言語モデルをグラフメッセージ選択に直接統合するアーキテクチャを提案する。
各ターゲットノードに対して、インシデントメッセージは、隣人の構造状態、ノードプロパティエンコーディング、リレーションプロパティエンコーディング、リレーションタイプを組み合わせる。
アーキテクチャは、隣人と関係型の両方のレベルで解釈可能な解析をサポートする。
- 参考スコア（独自算出の注目度）: 0.48302896549293584
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Labeled property graphs combine relational structure with heterogeneous textual and categorical properties attached to both nodes and relationships. Conventional graph neural networks typically represent these properties as static feature vectors, limiting their ability to determine which semantic evidence should influence message propagation for a particular prediction target. We propose SLM-Conditioned Hierarchical Relation Routing, an architecture that integrates a small language model directly into graph message selection. A topology GNN provides a stable structural representation and prediction anchor. For each target node, incident messages combine the neighbor's structural state, node-property encoding, relationship-property encoding, and relationship type. A parameter-efficient SLM processes structured graph soft tokens and produces a target-conditioned routing query. This query first selects relevant messages within each relationship type and subsequently routes information across relation-level summaries. The resulting representation provides a bounded residual update to the topology anchor, preserving structural evidence while allowing contextual semantic information to modify the prediction. The architecture supports interpretable analysis at both the neighbor and relationship-type levels and provides a general mechanism for integrating language-derived semantics into property-rich graph learning.
- Abstract（参考訳）: ラベル付きプロパティグラフは、リレーショナル構造と、ノードとリレーショナルの両方にアタッチされたヘテロジニアステキストおよびカテゴリ特性を結合する。
従来のグラフニューラルネットワークは、これらの特性を静的な特徴ベクトルとして表現し、特定の予測対象に対するメッセージの伝搬に影響を与える意味的証拠を決定する能力を制限する。
SLM-Conditioned Hierarchical Relation Routingは,小さな言語モデルをグラフメッセージ選択に直接統合するアーキテクチャである。
トポロジGNNは安定した構造表現と予測アンカーを提供する。
各ターゲットノードに対して、インシデントメッセージは、隣人の構造状態、ノードプロパティエンコーディング、リレーションプロパティエンコーディング、リレーションタイプを組み合わせる。
パラメータ効率の良いSLMは構造化グラフソフトトークンを処理し、ターゲット条件のルーティングクエリを生成する。
このクエリは、まず関係タイプごとに関連メッセージを選択し、その後、関係レベルの要約に情報をルーティングする。
結果として得られる表現は、トポロジアンカーのリザーブド更新を提供し、構造的エビデンスを保持しながら、文脈的意味情報を予測を変更することを可能にする。
このアーキテクチャは、隣接するレベルと関係型レベルの両方で解釈可能な解析をサポートし、言語由来のセマンティクスをプロパティリッチグラフ学習に統合するための一般的なメカニズムを提供する。
関連論文リスト
- Unifying Graph Neural Networks Through a Common Layer Equation [75.88127999406392]
7つのコンポーネントを通して被覆されたアーキテクチャを表現する共通層方程式を導入する。
中央の因子化は、伝達銀行によってエンコードされた情報と、メッセージマップによってエンコードされた動きとを分離する。
この統合を明確化し、標準層とコンポーネント割り当ての作業的削減を通じて、チェック可能にする。
論文 参考訳（メタデータ） (2026-08-17T04:37:59Z) - SemStruct: Contextualizing Semantic Embeddings with Structural Information for Schema Matching [20.959946127503354]
グラフニューラルネットワーク(GNN)の構造帰納バイアスと冷凍PLMのセマンティックパワーを結合するフレームワークであるSemStructを提案する。
テーブルを、列と値が列で連結されたノードである異種グラフとしてモデル化し、GNNが構造全体にわたってあいまいなコンテキストを伝播できるようにする。
論文 参考訳（メタデータ） (2026-05-29T01:45:45Z) - ASTRA: Adaptive Semantic Tree Reasoning Architecture for Complex Table Question Answering [55.55968342644846]
テーブルのシリアライゼーションは、複雑なテーブル質問応答において、LLM(Large Language Models)にとって重要なボトルネックであり続けている。
既存のシリアライゼーションメソッドは明示的な階層をキャプチャできず、スキーマの柔軟性が欠如している。
本稿では,AdaSTRとDuTRの2つの主要モジュールを含むASTRA(Adaptive Semantic Tree Reasoning Architecture)を提案する。
複雑なテーブルベンチマーク実験により,本手法がSOTA(State-of-the-art)性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-10T06:09:41Z) - NAG: A Unified Native Architecture for Encoder-free Text-Graph Modeling in Language Models [33.49410203951687]
このアプローチはテキストグラフに最適である,と我々は主張する。
NAG(Native Architecture for Graphs)は、言語モデル内でグラフ処理を内部化する統合フレームワークである。
NAGは外部エンコーダのオーバーヘッドなしに堅牢なグラフ理解を実現する。
論文 参考訳（メタデータ） (2026-01-30T07:22:11Z) - Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。
グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。
グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
論文 参考訳（メタデータ） (2026-01-13T03:35:18Z) - Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。
我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
論文 参考訳（メタデータ） (2024-05-28T20:54:47Z) - Exploiting Contextual Target Attributes for Target Sentiment
Classification [53.30511968323911]
TSCの既存のPTLMベースモデルは、1)PTLMをコンテキストエンコーダとして採用した微調整ベースモデル、2)テキスト/単語生成タスクに分類タスクを転送するプロンプトベースモデル、の2つのグループに分類される。
我々は,PTLM を TSC に活用する新たな視点として,言語モデリングと文脈的ターゲット属性による明示的ターゲットコンテキスト相互作用の利点を同時に活用する。
論文 参考訳（メタデータ） (2023-12-21T11:45:28Z) - Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。
ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
論文 参考訳（メタデータ） (2023-05-04T16:04:41Z) - BSAL: A Framework of Bi-component Structure and Attribute Learning for
Link Prediction [33.488229191263564]
トポロジや特徴空間からの情報を適応的に活用する二成分構造・属性学習フレームワーク(BSAL)を提案する。
BSALはノード属性を介してセマンティックトポロジを構築し、セマンティックビューに関する埋め込みを取得する。
ノード属性が持つ情報を適応的に組み込む、フレキシブルで実装が容易なソリューションを提供する。
論文 参考訳（メタデータ） (2022-04-18T03:12:13Z) - Modeling Global Semantics for Question Answering over Knowledge Bases [16.341353183347664]
KBQAにおける意味解析のための関係グラフ畳み込みネットワーク(RGCN)モデルgRGCNを提案する。
ベンチマークで評価した結果,本モデルは市販モデルよりも優れていた。
論文 参考訳（メタデータ） (2021-01-05T13:51:14Z) - Iterative Context-Aware Graph Inference for Visual Dialog [126.016187323249]
本稿では,新しいコンテキスト認識グラフ(CAG)ニューラルネットワークを提案する。
グラフの各ノードは、オブジェクトベース(視覚)と履歴関連(テキスト)コンテキスト表現の両方を含む、共同意味機能に対応している。
論文 参考訳（メタデータ） (2020-04-05T13:09:37Z)
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。