この記事は、LLM の一連の記事であり、「Unleashing the Power of Graph Learning through LLM-based Autonomous Agents」の翻訳です。
まとめ
グラフ構造のデータは現実世界に存在し、広く使用されていますが、これらの多様なデータを処理し、グラフ上でタスクを効率的に学習することは課題です。近年、複雑なグラフ学習タスクに直面して、専門家はさまざまなグラフ ニューラル ネットワークを設計してきました。また、AutoGraph とも呼ばれる AutoML in Graph を実装して、データ固有のソリューションを自動的に生成しました。成功にもかかわらず、彼らは、(1) さまざまなレベルでのさまざまな学習タスクの管理、(2) アーキテクチャ設計を超えたグラフ学習におけるさまざまなプロセスの処理、および (3) 事前知識の膨大な要件において制限に遭遇しました。この論文では、現実世界のさまざまなグラフの学習プロセスを簡素化するために、自律エージェントとして大規模言語モデル (LLM) を使用することを提案します。具体的には、ノード、エッジ、またはグラフ レベルでさまざまなデータと学習目標を含む可能性のあるユーザーのリクエストに応じて、複雑なグラフ学習タスクがエージェントの計画に基づいて 3 つのコンポーネントに分解されます。つまり、学習意図の検出、AutoGraph に基づくソリューションの構成、そして応答を生成します。AutoGraph エージェントは、データ処理、AutoML 構成、検索アーキテクチャ、ハイパーパラメーターの微調整など、自動グラフ学習の主要なプロセスを管理します。これらのエージェントを使用すると、これらのコンポーネントは分解と段階的な完了を通じて処理され、グラフ上のノードや学習タスクに関係なく、指定されたデータに対するソリューションが自動的に生成されます。Auto2Graph と呼ばれる提案された方法は、さまざまなデータセットや学習タスクで同等のパフォーマンスを達成します。さまざまなデータセットや学習タスクでの同等のパフォーマンス、およびエージェントによる人間のような意思決定により、その有効性が実証されています。
1 はじめに
2 関連作品
3つの方法
4つの実験
5。結論
このペーパーでは、この課題に対処するために、LLM ベースの自動エージェントの助けを借りて、さまざまなグラフ構造のデータと学習タスクに適したソリューションを設計することを提案します。ユーザーが記述した複雑なグラフ学習タスクに直面すると、自律エージェントは、学習意図の検出、AutoGraph ベースのニューラル ネットワークの設計、応答の生成に至るグラフ学習プロセスを計画します。4 つの AutoGraph エージェントは、データ固有のアーキテクチャを効率的な方法で取得するように設計されています。そうすることで、さまざまなデータと学習タスクを 1 つのフレームワークで自動的に処理できるため、事前知識の要件やコーディング機能の制限が軽減されます。実装された例とヒントの詳細の同等のパフォーマンスにより、設計されたフレームワークの実現可能性を証明できます。今後の作業では、このフレームワークを改訂して、より使いやすく、包括的で信頼性の高いグラフ学習ツールにする予定です。