論文の概要: Language-encoded network topology enables large language models to reason about complex networks

• arxiv url: http://arxiv.org/abs/2609.03229v1
• Date: Thu, 03 Sep 2026 00:04:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.881841
• Title: Language-encoded network topology enables large language models to reason about complex networks
• Title（参考訳）: 言語符号化ネットワークトポロジは,大規模言語モデルによる複雑なネットワークの推論を可能にする
• Abstract要約: 本稿では,ネットワークトポロジを解釈可能な構造的役割の言語にコンパイルするBioGlyphを紹介する。 5つのドメインにまたがる20のネットワークにおいて、BioGlyphは構造的推論の質問に答えるオープン言語モデルの能力を大幅に改善する。
• 参考スコア（独自算出の注目度）: 28.6220976244699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Networks describe systems in biology and beyond, from protein interactions and social relationships to power grids and citation records. Reasoning about such systems requires understanding their structure: which elements are central, which connections bridge separate communities, and how it changes when elements are removed. Although large language models (LLMs) excel at natural language, they struggle with such questions when networks are given as edge lists, sentences or measurement tables, because their structural meaning must be inferred. Here we introduce BioGlyph, which compiles network topology into an interpretable and transferable language of structural roles. BioGlyph combines graph partitioning and structural measurements to identify roles such as hubs, community cores and cross-community connectors, and fixed rules to translate them into a universal vocabulary. The representation describes each element through its structural role, supporting evidence and semantic consequences, leaving both the network and the LLM unchanged. Across twenty networks spanning five domains, BioGlyph substantially improves open LLMs' ability to answer structural reasoning questions, outperforming edge-based, numerical and learned representations by up to 26 percentage points in system accuracy. Ablations show that the gain comes from explicitly encoding structural roles in semantically interpretable terms. The gain is more prominent in dense, community-structured networks and diminishes in sparse networks whose topology is more readily inferred from text. In a budding-yeast protein-interaction network, BioGlyph exposes biological organization: cross-community connectors are enriched for essential genes, whereas peripheral proteins are depleted. BioGlyph thus provides an interpretable representation for both language models and scientists to reason about network structure.
• Abstract（参考訳）: ネットワークは、タンパク質の相互作用や社会的関係から電力網や引用記録まで、生物学のシステムを記述する。 そのようなシステムに対する推論には、どの要素が中心であるか、どの接続が別々のコミュニティを橋渡しし、要素が取り除かれたときにどのように変化するのか、といった構造を理解する必要がある。 大規模言語モデル(LLM)は自然言語では優れているが、ネットワークがエッジリストや文、測定表として与えられる場合、その構造的意味を推測する必要があるため、そのような疑問に対処する。 ここでは、ネットワークトポロジを解釈可能な構造的役割の言語にコンパイルするBioGlyphを紹介する。 BioGlyphはグラフ分割と構造測定を組み合わせることで、ハブ、コミュニティコア、クロスコミュニティコネクタといった役割を識別し、それらを普遍的な語彙に変換するための一定の規則を定めている。 表現は各要素をその構造的役割を通して記述し、エビデンスと意味的な結果をサポートし、ネットワークとLLMは変わらないままである。 5つの領域にまたがる20のネットワークにおいて、BioGlyphは、構造的推論問題に答えるオープンLLMの能力を大幅に改善し、エッジベース、数値、学習された表現を最大26ポイント向上させる。 アブレーションは、意味論的に解釈可能な用語で構造的役割を明示的に符号化することに由来することを示している。 この増加は密集したコミュニティ構造ネットワークにおいて顕著であり、テキストから簡単に推測できる疎ネットワークでは減少する。 出芽酵母のタンパク質相互作用ネットワークでは、BioGlyphは生物組織を露出する: クロスコミュニティコネクターは必須遺伝子に富み、周辺タンパク質は枯渇する。 そこでBioGlyphは、言語モデルと科学者の両方がネットワーク構造について考えるための解釈可能な表現を提供する。

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)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• Topological properties and organizing principles of semantic networks [3.8462776107938317]
  本研究では,11言語から7つの意味関係によって定義されたConceptNetのセマンティックネットワークの特性について検討する。 セマンティック・ネットワークには普遍的な基本的特性があり、疎らで、クラスタ化され、多くは非合法な等級分布を示す。 一部のネットワークでは接続は類似性に基づくが、他のネットワークでは接続は相補性に基づくものである。
  論文  参考訳（メタデータ） (2023-04-24T11:12:21Z)
• LasUIE: Unifying Information Extraction with Latent Adaptive Structure-aware Generative Language Model [96.889634747943]
  全ての典型的な情報抽出タスク(UIE)を1つの生成言語モデル(GLM)で普遍的にモデル化し、大きな可能性を明らかにした。 UIE のための構文知識のパワーを完全に解放する構造対応 GLM を提案する。 7つのタスクにわたるIEベンチマークが12以上あり、私たちのシステムはベースラインのUIEシステムよりも大幅に改善されていることを示しています。
  論文  参考訳（メタデータ） (2023-04-13T04:01:14Z)
• How Do Transformers Learn Topic Structure: Towards a Mechanistic Understanding [56.222097640468306]
  我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する 数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T21:42:17Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• Latent Topology Induction for Understanding Contextualized Representations [84.7918739062235]
  本研究では,文脈的埋め込みの表現空間について検討し,大規模言語モデルの隠れトポロジについて考察する。 文脈化表現の言語特性を要約した潜在状態のネットワークが存在することを示す。
  論文  参考訳（メタデータ） (2022-06-03T11:22:48Z)
• The Hierarchical Organization of Syntax [0.0]
  歴史的構文ネットワークの階層構造を解析し、時間とともに構文がどのように進化するかを理解する。 私たちは11世紀から17世紀のドイツのテキストのコーパスからこれらのネットワークを作りました。 我々はこれらの構文構造を「シンタクティック・コミュニケーティブ・階層」と命名した。
  論文  参考訳（メタデータ） (2021-11-27T00:47:54Z)
• Compositional Networks Enable Systematic Generalization for Grounded Language Understanding [21.481360281719006]
  人間は、今まで遭遇したことのない概念の組み合わせを含む新しい文を理解する際に、驚くほど柔軟です。 近年の研究では、深層ネットワークは、新しい文で表されるときの人間の言語能力を模倣できるが、体系的な変化は、ネットワークの言語理解能力の限界を明らかにする。 本稿では,gSCANデータセットの一般化問題に対処することで,これらの制限を克服できることを実証する。
  論文  参考訳（メタデータ） (2020-08-06T16:17:35Z)

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。