論文の概要: Graph Serializations for Reasoning LLMs: A Study Across Knowledge Extraction and Structural Reasoning

• arxiv url: http://arxiv.org/abs/2610.22734v1
• Date: Thu, 15 Oct 2026 23:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.695706
• Title: Graph Serializations for Reasoning LLMs: A Study Across Knowledge Extraction and Structural Reasoning
• Title（参考訳）: LLMの推論のためのグラフシリアライズ:知識抽出と構造推論に関する一検討
• Abstract要約: 知識抽出および構造グラフ推論タスクにおいて,9つのフロンティア LLM 構成にまたがる15のグラフ表現形式を評価する。 最適な表現選択は、モデル、クエリ、タスクに依存し、動的オーケストレーション決定としてグラフシリアライゼーションにアプローチすることを提案する。
• 参考スコア（独自算出の注目度）: 14.090746979185795
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The way a knowledge graph is serialized as text for inclusion into LLM context can substantially affect downstream LLM performance, with prior work reporting tens of percentage points variations across formats. However, existing studies consider only a limited set of representations and predate frontier reasoning models, which now offer stronger reasoning, instruction-following, and long-context capabilities. We evaluate 15 graph representation formats across nine frontier LLM configurations on ontology-based knowledge extraction and structural graph reasoning tasks. While knowledge extraction is relatively insensitive to different serialization formats, the choice of the optimal format for structural reasoning tasks significantly affects accuracy. We demonstrate that the optimal representation choice depends on model, query, and task and propose to approach graph serialization as a dynamic orchestration decision.
• Abstract（参考訳）: 知識グラフをLLMコンテキストに含めるためのテキストとしてシリアライズする方法は、前回の作業ではフォーマットによって数ポイントの変動が報告されるなど、下流のLLMのパフォーマンスに大きく影響する可能性がある。 しかし、既存の研究では、より強力な推論、命令追従、長いコンテキスト能力を提供する、限定的な表現とより前のフロンティア推論モデルしか考慮していない。 我々は、オントロジーに基づく知識抽出と構造グラフ推論タスクに基づいて、9つのフロンティア LLM 構成にまたがる15のグラフ表現形式を評価する。 知識抽出は、異なるシリアライズ形式に比較的敏感であるが、構造的推論タスクのための最適なフォーマットの選択は、精度に大きく影響する。 最適な表現選択は、モデル、クエリ、タスクに依存し、動的オーケストレーション決定としてグラフシリアライゼーションにアプローチすることを提案する。

関連論文リスト

• LLM as Clinical Graph Structure Refiner: Enhancing Representation Learning in EEG Seizure Diagnosis [19.853206603792824]
  脳波信号は自動発作検出には不可欠であるが、その固有のノイズは、堅牢な表現学習を困難にしている。 既存のグラフ構築手法では、相関に基づくか学習に基づくかは、しばしば、脳波データのノイズの性質のため、冗長または無関係なエッジを生成する。 大規模言語モデル(LLM)の顕著な推論と文脈的理解能力に動機付けられ,LLMをグラフエッジ精錬器として利用するというアイデアを探求する。
  論文  参考訳（メタデータ） (2026-04-30T17:57:12Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Efficient Graph Understanding with LLMs via Structured Context Injection [8.393355845456659]
  本稿では,タスク固有の情報を入力に体系的に組み込んでLLMを誘導し,幅広いグラフ問題を解く構造化コンテキスト注入フレームワークを提案する。 LLMの微調整は不要であり、コスト効率と軽量化を実現している。 我々は,軽量モデルと大規模モデルの両方を用いて,複数のグラフタスクに対するアプローチを評価し,精度と計算コストのトレードオフを強調した。
  論文  参考訳（メタデータ） (2025-08-31T08:07:56Z)
• Learn to Think: Bootstrapping LLM Reasoning Capability Through Graph Representation Learning [19.75678229122211]
  大規模言語モデル(LLM)は、様々な領域で大きな成功を収めています。 それらは、訓練のための高い計算コストや複雑な推論問題の解決における制限など、依然として重大な課題に直面している。 より柔軟で適応的な推論機能を実現するために,グラフ学習を活用する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-09T02:51:22Z)
• GraphOmni: A Comprehensive and Extendable Benchmark Framework for Large Language Models on Graph-theoretic Tasks [26.992997870540435]
  Graph Omniは、自然言語で記述されたグラフ理論タスクにおけるLLMの推論能力を評価するためのベンチマークである。 我々は,グラフタイプ,シリアライズ形式,シグナリングスキーム間の重要な相互作用を同定し,モデル性能に大きな影響を与えることを示す。 本稿では,LLM推論能力に影響を与える最適要因を適応的に選択する強化学習型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-17T09:01:16Z)
• Reasoning with Graphs: Structuring Implicit Knowledge to Enhance LLMs Reasoning [73.2950349728376]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な成功を収めている。 しかし、彼らは情報片間の関係を理解し、推論する必要があるタスクの推論において、依然として課題に直面している。 この課題は、論理的推論やマルチホップ質問応答など、多段階プロセスに関わるタスクにおいて特に顕著である。 本稿では、まず文脈から明示的なグラフを構築することにより、グラフを用いた推論(RwG)を提案する。
  論文  参考訳（メタデータ） (2025-01-14T05:18:20Z)
• Disentangled Representation Learning with Large Language Models for Text-Attributed Graphs [57.052160123387104]
  本稿では,TAGに対するLLMの推論と予測能力を向上させることができるDGTLモデルを提案する。 提案するDGTLモデルでは, グラフ構造情報をGNN層に組み込む。 実験により,提案したDGTLモデルにより,最先端のベースラインよりも優れた性能,あるいは同等の性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-10-27T14:00:04Z)
• Beyond Text: A Deep Dive into Large Language Models' Ability on Understanding Graph Data [13.524529952170672]
  大規模言語モデル(LLM)は多くの自然言語処理タスクにおいて顕著な性能を達成している。 LLMがグラフデータを効果的に処理し、トポロジ構造を利用して性能を向上させることができるかどうかを評価することを目的とする。 LLMの性能を特殊グラフモデルと比較することにより、グラフ解析にLLMを使用する際の長所と短所について考察する。
  論文  参考訳（メタデータ） (2023-10-07T23:25:22Z)

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。