自动外链工具,seo关键词外包公司,住房城乡建设厅网站,软件app下载大全ICLR 2025 6666 近年来#xff0c;图机器学习#xff08;Graph Machine Learning, GML#xff09;取得了显著进展#xff0c;并广泛应用于多个领域。然而#xff0c;GML 社区的研究重点大多集中于构建更强大的图模型#xff0c;而常常忽视了一个关键的前置步骤#xff…ICLR 2025 6666 近年来图机器学习Graph Machine Learning, GML取得了显著进展并广泛应用于多个领域。然而GML 社区的研究重点大多集中于构建更强大的图模型而常常忽视了一个关键的前置步骤如何从常见的数据格式如表格数据中构建合适的图结构。图的构建是应用图模型的基础但这一过程在现有研究中仍缺乏系统性探索和正式定义。
为填补这一空白我们的研究旨在形式化图构建问题并提出有效的解决方案。在实现这一目标的过程中我们识别出两个核心挑战 缺乏专门的数据集来支持图构建方法的形式化与评估 现有自动化构建方法适用范围有限在许多场景下仍需依赖繁琐的人工工程才能生成高质量的图结构。
针对上述挑战本文提出了两项主要贡献 第一我们引入了一套专门的数据集用于形式化图构建问题并系统评估不同方法 第二我们提出了基于大语言模型的解决方案 AutoG可在无需人工干预的情况下自动生成高质量图结构。
实验结果表明图结构的质量对下游任务性能具有显著影响而 AutoG 所生成的图结构在性能上可媲美人工构建的高质量图验证了其有效性与实用性。
项目代码已开源地址为https://github.com/amazon-science/Automatic-Table-to-Graph-Generation。
