論文の概要: Structurally Speaking: Motif-Oriented Graph Captioning through Bidirectional Graph-Text Translation

• arxiv url: http://arxiv.org/abs/2609.10923v1
• Date: Thu, 10 Sep 2026 00:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.167104
• Title: Structurally Speaking: Motif-Oriented Graph Captioning through Bidirectional Graph-Text Translation
• Title（参考訳）: 構造的に言えば、双方向グラフテキスト翻訳によるモチーフ指向グラフキャプション
• Abstract要約: グラフキャプションは、グラフ構造を理解するのに役立つはずだ。 有用なグラフキャプションは、接続性を認識可能なモチーフに抽象化する。 本稿では、明示的な接続性とモチーフレベルの抽象化の間の変換を導くプロトコルであるStructurely Talkを紹介する。
• 参考スコア（独自算出の注目度）: 21.77596000012504
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph captions should help readers understand graph structure, rather than simply translate adjacency matrices into long textual edge lists. A useful graph caption abstracts connectivity into recognizable motifs, such as hubs, paths, cycles, cliques, and bridges, because these motifs provide compact structural units that are easier to read, compare, and recover. In this paper, we study motif-oriented graph captioning as a bidirectional graph-text translation task, where captions must both preserve enough topology for graph recovery and express the graph through concise motif-level descriptions. We show that direct prompting of GPT-5.1 often produces graph-recoverable captions by enumerating node-to-node connections, but these captions are verbose and can contain inconsistent motif interpretations. To address this gap, we introduce Structurally Speaking, a lightweight structured prompting protocol that guides translation between explicit connectivity and motif-level abstraction. Experiments on a synthetic motif-based dataset show that structured prompting produces shorter and more motif-consistent captions while maintaining comparable graph recovery. These results suggest that explicit topology-to-motif reasoning guidance can make LLM-generated graph captions more interpretable without model fine-tuning.
• Abstract（参考訳）: グラフキャプションは、隣接行列を長いテキストのエッジリストに変換するのではなく、グラフ構造を理解するのに役立つだろう。 有用なグラフキャプションは、ハブ、パス、サイクル、斜め、ブリッジなどの認識可能なモチーフへの接続を抽象化する。 本稿では, モチーフ指向グラフキャプションを双方向のグラフテキスト翻訳タスクとして検討し, キャプションがグラフ復元に十分なトポロジを保持し, 簡潔なモチーフレベルの記述を通してグラフを表現する必要があることを示す。 GPT-5.1の直接的プロンプトはノード間接続を列挙することでしばしばグラフ検索可能なキャプションを生成するが、これらのキャプションは冗長であり、矛盾するモチーフ解釈を含むことができる。 このギャップに対処するために、明示的な接続性とモチーフレベルの抽象化の間の変換をガイドする軽量な構造化プロンプトプロトコルであるStructurely Talkを紹介した。 合成モチーフベースのデータセットの実験では、構造化プロンプトにより、グラフの回復を維持しながら、より短く、よりモチーフに一貫性のあるキャプションが生成される。 これらの結果は,LLM生成グラフキャプションをモデル微調整なしでより解釈しやすくすることができることを示唆している。

関連論文リスト

• GraphReAct: Reasoning and Acting for Multi-step Graph Inference [49.26607058250454]
  GraphReActは、グラフ構造化データに対するステップバイステップの推論を可能にするグラフ推論実行フレームワークである。 検索と精細化の両方で推論をインターリーブすることで、我々のフレームワークは文脈拡張から圧縮への進歩的な移行を可能にします。
  論文  参考訳（メタデータ） (2026-05-08T07:09:42Z)
• <SOG_k>: One LLM Token for Explicit Graph Structural Understanding [57.017902343605364]
  我々は、グラフの構造を統一トークン空間内に完全に表現するために、1つの特別なトークン SOG_k> を組み込むことを提案する。 SOG_k>は、簡潔で正確な方法でLLMに理解、生成、理性を与える。
  論文  参考訳（メタデータ） (2026-02-02T07:55:09Z)
• Graph-O1 : Monte Carlo Tree Search with Reinforcement Learning for Text-Attributed Graph Reasoning [7.792321858331646]
  Graph-O1はエージェント的なGraphRAGフレームワークで、LCMがグラフ上で段階的にインタラクティブな推論を実行できる。 提案手法はモンテカルロ木探索(MCTS)とエンドツーエンドの強化学習を統合し,最も情報に富む部分グラフの探索と検索を可能にする。
  論文  参考訳（メタデータ） (2025-11-26T21:32:04Z)
• Integrating Structural and Semantic Signals in Text-Attributed Graphs with BiGTex [0.0]
  BiGTexは、スタック化されたGraph-Text Fusion Unitを通じてGNNとLLMを密に統合する新しいアーキテクチャである。 BiGTexはノード分類における最先端性能を実現し、リンク予測に効果的に一般化する。
  論文  参考訳（メタデータ） (2025-04-16T20:25:11Z)
• 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)
• Explanation Graph Generation via Generative Pre-training over Synthetic Graphs [6.25568933262682]
  説明グラフの生成は,ユーザの入力に応じて説明グラフを作成することを目的とした重要なタスクである。 現在の研究では、ラベル付きグラフで注釈付けされた小さな下流データセット上で、テキストベースの事前学習言語モデルを微調整するのが一般的である。 本稿では,説明グラフ生成タスクのための新しい事前学習フレームワークEG3Pを提案する。
  論文  参考訳（メタデータ） (2023-06-01T13:20:22Z)
• Generating Post-hoc Explanations for Skip-gram-based Node Embeddings by Identifying Important Nodes with Bridgeness [19.448849238643582]
  DeepWalk、LINE、struc2vec、PTE、UserItem2vec、RWJBGなどの教師なしノード埋め込みメソッドがSkip-gramモデルから登場した。 本稿では,Skip-gramをベースとした埋め込みのグローバルな説明は,スペクトルクラスタを意識した局所摂動下でのブリッジネスの計算によって得られることを示す。 Graph-wGD と呼ばれる新しい勾配に基づく説明法を提案し,学習グラフ埋め込みベクトルのグローバルな説明をより効率的に行えるようにした。
  論文  参考訳（メタデータ） (2023-04-24T12:25:35Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Entailment Graph Learning with Textual Entailment and Soft Transitivity [69.91691115264132]
  テキスト・エンタテインメント・トランジシティー(EGT2)を用いた2段階のエンタテインメント・グラフを提案する。 EGT2 は CCG パースした述語によって形成されるテンプレート文間のテキスト的含意を認識することにより、局所的含意関係を学習する。 生成した局所グラフに基づいて、EGT2は3つの新しいソフトな推移性制約を用いて、包含構造における論理的推移性を考える。
  論文  参考訳（メタデータ） (2022-04-07T08:33:06Z)
• Inducing Alignment Structure with Gated Graph Attention Networks for Sentence Matching [24.02847802702168]
  本稿では,文マッチングのためのグラフベースの手法を提案する。 文ペアをグラフとして表現し、慎重に設計する。 次に,文マッチングのために構築したグラフを符号化するために,新しいゲートグラフアテンションネットワークを用いる。
  論文  参考訳（メタデータ） (2020-10-15T11:25:54Z)
• Graph-Structured Referring Expression Reasoning in The Wild [105.95488002374158]
  接地参照表現は、自然言語表現によって参照されるオブジェクトのイメージ中を特定することを目的としている。 本研究では,シーングラフとシーングラフの推論を行うために,シーングラフガイドモジュールネットワーク(SGMN)を提案する。 また,構造化参照式推論のための大規模実世界のデータセットRef-Reasoningを提案する。
  論文  参考訳（メタデータ） (2020-04-19T11:00:30Z)

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。