本文是LLM系列文章,针对《Unleashing the Power of Graph Learning through LLM-based Autonomous Agents》的翻译。
摘要
图结构数据在现实世界中广泛存在和应用,而以有效的方式处理这些不同的数据和在图上学习任务是一个挑战。近年来,面对复杂的图学习任务,专家们设计了各种各样的图神经网络。他们还在Graph中实现了AutoML,也称为AutoGraph,以自动生成特定于数据的解决方案。尽管他们取得了成功,但他们在以下方面遇到了限制:(1)管理不同级别的不同学习任务,(2)处理架构设计之外的图学习中的不同过程,以及(3)使用AutoGraph时对先验知识的巨大要求。在本文中,我们建议使用大型语言模型(LLM)作为自治代理来简化不同真实世界图的学习过程。具体而言,响应于可能包含节点、边缘或图级别的不同数据和学习目标的用户请求,复杂的图学习任务根据代理规划分解为三个组件,即检测学习意图、基于AutoGraph配置解决方案和生成响应。AutoGraph代理管理自动化图形学习中的关键过程,包括数据处理、AutoML配置、搜索架构和超参数微调。使用这些代理,通过分解和逐步完成来处理这些组件,从而自动生成给定数据的解决方案,而不考虑节点或图上的学习任务。所提出的方法被称为Auto2Graph,在不同的数据集和学习任务上具有可比较的性能。它在不同数据集和学习任务上的可比性能,以及智能体做出的类似人类的决策,证明了它的有效性。