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 方法

4 实验

5 结论

在本文中，我们建议在基于LLM的自动代理的帮助下，为不同的图结构数据和学习任务设计合适的解决方案，以应对这一挑战。当面对用户描述的复杂的图学习任务时，自主代理规划从检测学习意图、设计基于AutoGraph的神经网络到生成响应的图学习过程。四个AutoGraph代理旨在以高效的方式获得特定于数据的体系结构。通过这样做，可以在一个框架中自动处理不同的数据和学习任务，减少对先验知识的要求和对代码能力的限制。所实现的实例和提示细节的可比性能可以证明所设计的框架的可行性。在未来的工作中，我们将修订该框架，使其更易于使用、全面可靠的图形学习工具。