Buchumschlag

Can LLMs Effectively Leverage Graph Structural Information through Prompts, and Why?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Jin, Zhang, Xingjian, Mei, Qiaozhu, Ma, Jiaqi
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PRewrite: Prompt Rewriting with Reinforcement Learning
von: Kong, Weize, et al.
Veröffentlicht: (2024)

Retrieval Augmented Generation or Long-Context LLMs? A Comprehensive Study and Hybrid Approach
von: Li, Zhuowan, et al.
Veröffentlicht: (2024)

GraphPL: Leveraging GNN for Efficient and Robust Modalities Imputation in Patchwork Learning
von: Hu, Xingjian, et al.
Veröffentlicht: (2026)

Can LLMs Convert Graphs to Text-Attributed Graphs?
von: Wang, Zehong, et al.
Veröffentlicht: (2024)

TrustGLM: Evaluating the Robustness of GraphLLMs Against Prompt, Text, and Structure Attacks
von: Zhang, Qihai, et al.
Veröffentlicht: (2025)

CHoE: Cross-Domain Heterogeneous Graph Prompt Learning via Structure-Conditioned Experts
von: Li, Peiyuan, et al.
Veröffentlicht: (2026)

Multimodal Prompt Optimization: Why Not Leverage Multiple Modalities for MLLMs
von: Choi, Yumin, et al.
Veröffentlicht: (2025)

Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
von: Susanti, Yuni, et al.
Veröffentlicht: (2025)

Prompt-SAW: Leveraging Relation-Aware Graphs for Textual Prompt Compression
von: Ali, Muhammad Asif, et al.
Veröffentlicht: (2024)

Efficient Estimation of Shortest-Path Distance Distributions to Samples in Graphs
von: Zhu, Alan, et al.
Veröffentlicht: (2025)

Why Pass@k Optimization Can Degrade Pass@1: Prompt Interference in LLM Post-training
von: Barakat, Anas, et al.
Veröffentlicht: (2026)

Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts
von: Yang, Jinluan, et al.
Veröffentlicht: (2024)

Can LLMs Find Fraudsters? Multi-level LLM Enhanced Graph Fraud Detection
von: Huang, Tairan, et al.
Veröffentlicht: (2025)

Leveraging Information Consistency in Frequency and Spatial Domain for Adversarial Attacks
von: Jin, Zhibo, et al.
Veröffentlicht: (2024)

Can LLMs Reason Structurally? Benchmarking via the Lens of Data Structures
von: He, Yu, et al.
Veröffentlicht: (2025)

Leveraging Large Language Models for Effective Label-free Node Classification in Text-Attributed Graphs
von: Zhang, Taiyan, et al.
Veröffentlicht: (2024)

Why Adam Can Beat SGD: Second-Moment Normalization Yields Sharper Tails
von: Jin, Ruinan, et al.
Veröffentlicht: (2026)

Effective Structured Prompting by Meta-Learning and Representative Verbalizer
von: Jiang, Weisen, et al.
Veröffentlicht: (2023)

Why is constrained neural language generation particularly challenging?
von: Garbacea, Cristina, et al.
Veröffentlicht: (2022)

StructSynth: Leveraging LLMs for Structure-Aware Tabular Data Synthesis in Low-Data Regimes
von: Liu, Siyi, et al.
Veröffentlicht: (2025)

Why and When LLM-Based Assistants Can Go Wrong: Investigating the Effectiveness of Prompt-Based Interactions for Software Help-Seeking
von: Khurana, Anjali, et al.
Veröffentlicht: (2024)

From Implicit Exploration to Structured Reasoning: Leveraging Guideline and Refinement for LLMs
von: Chen, Jiaxiang, et al.
Veröffentlicht: (2025)

GraphTool-Instruction: Revolutionizing Graph Reasoning in LLMs through Decomposed Subtask Instruction
von: Wang, Rongzheng, et al.
Veröffentlicht: (2024)

Self-Pro: A Self-Prompt and Tuning Framework for Graph Neural Networks
von: Gong, Chenghua, et al.
Veröffentlicht: (2023)

Diffusion LLMs Can Do Faster-Than-AR Inference via Discrete Diffusion Forcing
von: Wang, Xu, et al.
Veröffentlicht: (2025)

GraphiT: Efficient Node Classification on Text-Attributed Graphs with Prompt Optimized LLMs
von: Khoshraftar, Shima, et al.
Veröffentlicht: (2025)

Graph Structure Learning with Privacy Guarantees for Open Graph Data
von: Guo, Muhao, et al.
Veröffentlicht: (2025)

Can LLMs Serve As Time Series Anomaly Detectors?
von: Dong, Manqing, et al.
Veröffentlicht: (2024)

Prompted Policy Search: Reinforcement Learning through Linguistic and Numerical Reasoning in LLMs
von: Zhou, Yifan, et al.
Veröffentlicht: (2025)

Fast and Distributed Equivariant Graph Neural Networks by Virtual Node Learning
von: Zhang, Yuelin, et al.
Veröffentlicht: (2025)

GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs
von: Li, Yuan, et al.
Veröffentlicht: (2025)

Efficient Knowledge Tracing Leveraging Higher-Order Information in Integrated Graphs
von: Han, Donghee, et al.
Veröffentlicht: (2025)

CUDA-LLM: LLMs Can Write Efficient CUDA Kernels
von: Chen, Wentao, et al.
Veröffentlicht: (2025)

Can LLMs Alleviate Catastrophic Forgetting in Graph Continual Learning? A Systematic Study
von: Cheng, Ziyang, et al.
Veröffentlicht: (2025)

Effective Exploration Based on the Structural Information Principles
von: Zeng, Xianghua, et al.
Veröffentlicht: (2024)

Causal Structure and Representation Learning with Biomedical Applications
von: Uhler, Caroline, et al.
Veröffentlicht: (2025)

Graph-Grounded LLMs: Leveraging Graphical Function Calling to Minimize LLM Hallucinations
von: Gupta, Piyush, et al.
Veröffentlicht: (2025)

LLM-Empowered Class Imbalanced Graph Prompt Learning for Online Drug Trafficking Detection
von: Ma, Tianyi, et al.
Veröffentlicht: (2025)

Molecular Graph Representation Learning via Structural Similarity Information
von: Yao, Chengyu, et al.
Veröffentlicht: (2024)