論文の概要: Call Neighbours Yourself: Graph Walks with Destination-Conditioned On-Policy Self-Distillation

• arxiv url: http://arxiv.org/abs/2608.29588v1
• Date: Sun, 30 Aug 2026 06:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.013323
• Title: Call Neighbours Yourself: Graph Walks with Destination-Conditioned On-Policy Self-Distillation
• Title（参考訳）: 自給自足型自給自足型グラフウォーク(動画あり)
• Abstract要約: テキスト分散グラフ(TAG)上の推論では、ノードのテキストと近隣に分散する証拠を組み合わせるために、大きな言語モデル(LLM)が必要となる。 我々は、近隣の選別そのものが推論プロセスの一部であるべきだと論じる。 我々はLLMがグラフ近傍を積極的に探索できるフレームワークであるCall Neighbours Yourself (CNY)を提案する。
• 参考スコア（独自算出の注目度）: 30.240817515300048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reasoning over text-attributed graphs (TAGs) requires large language models (LLMs) to combine a node's text with evidence distributed across its neighbourhood. Existing methods fix the set of accessible neighbours before generation, forcing reasoning to operate over a static context and preventing the model from acquiring missing evidence during inference. We argue that neighbour selection should itself be part of the reasoning process. To this end, we propose Call Neighbours Yourself (CNY), a framework that enables LLMs to proactively explore graph neighbourhoods through topology-constrained graph-walk actions. Instead of reasoning over a pre-selected neighbour set, CNY exposes lightweight neighbour previews and learns when to expand candidate neighbours for additional evidence. To address the delayed-credit challenge of neighbour exploration, we introduce destination-conditioned on-policy self-distillation, which retrospectively evaluates a selected neighbour after its content is revealed and converts the resulting change in action preference into an action-level training signal. Experiments on standard TAG reasoning benchmarks under a unified raw-text setting show that CNY consistently outperforms fixed-context post-training baselines. Furthermore, the learned exploration policy transfers to unseen graphs and to a graph-level task not encountered during training. Code is available at https://github.com/superallen13/CNY.
• Abstract（参考訳）: テキスト分散グラフ(TAG)上の推論では、ノードのテキストと近隣に分散する証拠を組み合わせるために、大きな言語モデル(LLM)が必要となる。 既存の方法は、生成前にアクセス可能な隣人の集合を固定し、推論が静的なコンテキスト上で操作することを強制し、推論中にモデルが欠落した証拠を取得するのを防ぐ。 我々は、近隣の選別そのものが推論プロセスの一部であるべきだと論じる。 この目的のために、LLMがトポロジに制約されたグラフウォーク行動を通じてグラフ近傍を積極的に探索できるフレームワークであるCall Neighbours Yourself (CNY)を提案する。 CNYは、事前に選択された隣人のセットを推論する代わりに、軽量な隣人のプレビューを公開する。 そこで本研究では,その内容が明らかにされた後,選択した隣接地を遡及的に評価し,その結果の行動嗜好の変化を行動レベルの訓練信号に変換する,目的地条件付きオンライン蒸留を導入する。 統一された生テキスト設定下での標準的なTAG推論ベンチマークの実験では、CNYはトレーニング後ベースラインの固定コンテキストを一貫して上回っている。 さらに、学習された探索ポリシは、未確認のグラフや、トレーニング中に遭遇しないグラフレベルのタスクに転送される。 コードはhttps://github.com/superallen13/CNYで公開されている。

関連論文リスト

• Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
  本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。 提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
  論文  参考訳（メタデータ） (2025-07-10T09:54:37Z)
• PRISM-0: A Predicate-Rich Scene Graph Generation Framework for Zero-Shot Open-Vocabulary Tasks [51.31903029903904]
  SGG(Scene Graphs Generation)では、オブジェクトノードの形式で視覚入力から構造化された表現を抽出し、それらを接続する。 PRISM-0はゼロショットオープン語彙SGGのためのフレームワークで、ボトムアップアプローチで基礎モデルをブートストラップする。 PRIMS-0は、イメージキャプションやSentence-to-Graph Retrievalのような下流タスクを改善する意味のあるグラフを生成する。
  論文  参考訳（メタデータ） (2025-04-01T14:29:51Z)
• VN Network: Embedding Newly Emerging Entities with Virtual Neighbors [59.906332784508706]
  本稿では,3つの課題に対処するため,VN(Virtual Neighbor)ネットワークという新しいフレームワークを提案する。 まず、近隣の空間問題を減らすために、ルールによって推測される仮想隣人の概念を導入する。 第二に、複雑なパターンを捉えるために、論理と対称パスのルールの両方を識別する。
  論文  参考訳（メタデータ） (2024-02-21T03:04:34Z)
• Non-Neighbors Also Matter to Kriging: A New Contrastive-Prototypical Learning [24.701170582359104]
  既存の研究は、隣人の情報が、観測されていない対象の属性を推定する基盤を提供すると仮定している。 本研究では,隣人からの貴重な情報を洗練し,非隣人からの情報を再利用するために,KrigingのためのContrastive-Prototypealの自己教師型学習を提案する。
  論文  参考訳（メタデータ） (2024-01-23T11:46:31Z)
• Reinforced Causal Explainer for Graph Neural Networks [112.57265240212001]
  グラフニューラルネットワーク(GNN)の探索には説明可能性が不可欠である 我々は強化学習エージェントReinforced Causal Explainer (RC-Explainer)を提案する。 RC-Explainerは忠実で簡潔な説明を生成し、グラフを見えなくするより優れたパワーを持つ。
  論文  参考訳（メタデータ） (2022-04-23T09:13:25Z)
• Speech Sequence Embeddings using Nearest Neighbors Contrastive Learning [15.729812221628382]
  教師なしのコントラスト学習目標を用いてトレーニング可能な,シンプルなニューラルエンコーダアーキテクチャを提案する。 近年の自己教師型音声表現の上に構築されている場合,本手法は反復的に適用でき,競争力のあるSSEが得られることを示す。
  論文  参考訳（メタデータ） (2022-04-11T14:28:01Z)
• Reasoning Through Memorization: Nearest Neighbor Knowledge Graph Embeddings [29.94706167233985]
  kNN-KGEは、事前訓練された言語モデルを用いた新しい知識グラフ埋め込みアプローチである。 我々は、知識ストアからのエンティティ埋め込み空間内の距離に基づいて、最も近い隣人を計算する。
  論文  参考訳（メタデータ） (2022-01-14T17:35:16Z)
• Time-Aware Neighbor Sampling for Temporal Graph Networks [44.78349188966666]
  TNSは時間情報から学習し、いつでも各ノードに対して適応的な受容的近傍を提供する。 TNSは、時間的複雑さを増大させることなく、その有効性を向上するために、人気のある時間的グラフネットワークに柔軟に組み込むことができる。 複数の標準データセットに対する実験結果から、TNSはエッジ予測とノード分類において大きな利益をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-12-18T05:08:51Z)
• Modelling Neighbor Relation in Joint Space-Time Graph for Video Correspondence Learning [53.74240452117145]
  本稿では、ラベルなしビデオから信頼できる視覚対応を学習するための自己教師付き手法を提案する。 接続時空間グラフでは,ノードがフレームからサンプリングされたグリッドパッチであり,2種類のエッジによってリンクされる。 学習した表現は、様々な視覚的タスクにおいて最先端の自己監督手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-28T05:40:01Z)
• InsertGNN: Can Graph Neural Networks Outperform Humans in TOEFL Sentence Insertion Problem? [66.70154236519186]
  センテンス挿入は繊細だが基本的なNLP問題である。 文順序付け、テキストコヒーレンス、質問応答(QA)の現在のアプローチは、その解決には適さない。 本稿では,この問題をグラフとして表現し,グラフニューラルネットワーク(GNN)を用いて文間の関係を学習するモデルであるInsertGNNを提案する。
  論文  参考訳（メタデータ） (2021-03-28T06:50:31Z)
• Enhancing the Association in Multi-Object Tracking via Neighbor Graph [11.13923339111758]
  本稿では,近隣の情報をフル活用することでこの問題に対処することを提案する。 私たちのモチベーションは、人々がグループで動く傾向にあるという観察から来ています。 まず、追跡自己が生み出す近代的時間的関係を利用して、ターゲットに適した隣人を効率的に選択する。
  論文  参考訳（メタデータ） (2020-07-01T06:21:31Z)

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。