blog建设网站seo关键词查询
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。
