Unleashing the Power of Graph Learning through LLM-based Autonomous Agents-CSDN博客

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/132887078

本文介绍了一种利用大型语言模型（LLM）作为自治代理来简化图学习任务的方法。Auto2Graph代理通过检测学习意图、配置AutoGraph解决方案和生成响应，自动化处理图数据的学习过程，无需大量先验知识和编码能力。实验表明，这种方法在不同数据集和任务上表现出可比的性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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