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

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。

1 引言

2 相关工作

3 方