論文の概要: TACO-Graph: Automated Construction of Text-Atributed Graphs

• arxiv url: http://arxiv.org/abs/2610.36650v1
• Date: Tue, 27 Oct 2026 05:08:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.486314
• Title: TACO-Graph: Automated Construction of Text-Atributed Graphs
• Title（参考訳）: TACO-Graph: テキスト分散グラフの自動構築
• Abstract要約: TACO-Graphは,グラフ構築選択が与えられたデータセットやタスクに対して最も効果的であるかを学習するための決定木フレームワークである。 具体的には、マルチ属性データから構築されたテキスト属性グラフに焦点を当てる。 我々の木は、GraphRAGタスクとGraphNNタスクの両方において、どの構造がより良く機能するかを体系的に識別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured representations of text data have become foundational across machine learning, yet it remains unclear how to systematically construct a graph from a given dataset for a target task. Choices about which entities become nodes, which relationships become edges, and what text each node contains can substantially affect downstream performance. In practice, finding optimal constructions often requires expert knowledge or manual trial and error. We introduce TACO-Graph, a decision tree framework for learning which graph construction choices are most effective for a given dataset and task. Specifically, we focus on text-attributed graphs (TAGs) constructed from multi-attribute tabular data. TACO-Graph enumerates valid TAG representations, scores each using fast proxy evaluation on small representative subsets, and trains an interpretable decision tree on those scores. Across five datasets spanning citation networks, product reviews, and bibliographic relationships, our decision trees predict construction quality on separately drawn evaluation samples with mean Spearman $ρ$ above $0.9$ for node classification and above $0.8$ for GraphRAG retrieval. Our trees systematically identify which constructions perform better across both GNN and GraphRAG tasks, and the full pipeline is released as an open-source library to support evaluation on new tasks and datasets at https://github.com/AmiriHayes/text_attributed_graphs. TACO-Graph provides a systematic and interpretable guide for determining how to convert tabular data to text-attributed graphs for downstream tasks.
• Abstract（参考訳）: テキストデータのグラフ構造化表現は、機械学習全体で基礎となっているが、ターゲットタスクのために与えられたデータセットからグラフを体系的に構築する方法は、まだ不明である。 どのエンティティがノードになり、どの関係がエッジになり、どのノードがどのテキストを含むかは、ダウンストリームのパフォーマンスに大きく影響します。 実際には、最適な構成を見つけるには、専門家の知識や手動による試行錯誤が必要になることが多い。 TACO-Graphは,グラフ構築選択が与えられたデータセットやタスクに対して最も効果的であるかを学習するための決定木フレームワークである。 具体的には、多属性表データから構築したテキスト属性グラフ(TAG)に焦点を当てる。 TACO-Graphは有効なTAG表現を列挙し、小さな代表部分集合の高速プロキシ評価を使用して各スコアをスコア化し、それらのスコアに対して解釈可能な決定ツリーをトレーニングする。 本決定木は,引用ネットワーク,製品レビュー,書誌関係にまたがる5つのデータセットにまたがって,ノード分類のSpearman $ρ$以上,GraphRAG検索の0.8$以上の平均値を用いて,個別に描画された評価サンプルの構成品質を予測した。 我々の木は、GNNとGraphRAGの両方のタスクでどの構造が優れているかを体系的に識別し、完全なパイプラインはオープンソースライブラリとしてリリースされ、https://github.com/AmiriHayes/text_attributed_graphsで新しいタスクとデータセットの評価をサポートする。 TACO-Graphは、ダウンストリームタスクのための表データをテキスト分散グラフに変換する方法を決定するための、体系的で解釈可能なガイドを提供する。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Towards Graph Foundation Models: Learning Generalities Across Graphs via Task-Trees [50.78679002846741]
  タスクツリーを用いたグラフのクロスタスク一般化のための新しい手法を提案する。 本稿では,グラフニューラルネットワーク(GNN)を多種多様なタスクツリー上で事前学習することにより,伝達可能な知識を誘導することを示す。 これにより、最小限の微調整で下流タスクに効率的に適応できる。
  論文  参考訳（メタデータ） (2024-12-21T02:07:43Z)
• TAGLAS: An atlas of text-attributed graph datasets in the era of large graph and language models [25.16561980988102]
  TAGLASは、テキスト分散グラフ(TAG)データセットとベンチマークのアトラスである。 我々は、23以上のTAGデータセットを引用グラフから分子グラフまでの範囲で収集し、統合する。 すべてのデータセットやタスクをロードする、標準化された、効率的で、単純化された方法を提供する。
  論文  参考訳（メタデータ） (2024-06-20T19:11:35Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• GRATIS: Deep Learning Graph Representation with Task-specific Topology and Multi-dimensional Edge Features [27.84193444151138]
  第1次汎用グラフ表現学習フレームワーク(GRATIS)を提案する。 任意の入力からタスク固有のトポロジーとタスク固有の多次元エッジ特徴を持つ強力なグラフ表現を生成することができる。 私たちのフレームワークは効率的で堅牢で柔軟性があり、異なるバックボーンとグラフニューラルネットワーク(GNN)を組み合わせたプラグイン・アンド・プレイモジュールです。
  論文  参考訳（メタデータ） (2022-11-19T18:42:55Z)
• TREE-G: Decision Trees Contesting Graph Neural Networks [33.364191419692105]
  TREE-Gは、グラフデータに特化した新しい分割関数を導入することで、標準的な決定木を変更する。 グラフニューラルネットワーク(GNN)やグラフカーネル(Graph Kernels)などのグラフ学習アルゴリズムでは,TREE-Gが他のツリーベースモデルより一貫して優れていることが示されています。
  論文  参考訳（メタデータ） (2022-07-06T15:53:17Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)

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。