Graph-R1: Incentivando a Capacidade de Aprendizado Zero-Shot em Grafos em LLMs por meio de Raciocínio Explícito

Generalizar para tarefas de grafo não vistas sem supervisão específica da tarefa continua sendo um desafio. Redes Neurais de Grafos (GNNs) são limitadas por espaços fixos de rótulos, enquanto Modelos de Linguagem Grandes (LLMs) carecem de vieses indutivos estruturais. Avanços recentes em Modelos Grandes de Raciocínio (LRMs) fornecem uma alternativa zero-shot por meio de raciocínio explícito com longas cadeias de pensamento. Inspirados por isso, propomos uma abordagem sem GNN que reformula tarefas de grafos — classificação de nós, previsão de links e classificação de grafos — como problemas de raciocínio textual resolvidos por LRMs. Introduzimos os primeiros conjuntos de dados com traços de raciocínio detalhados para essas tarefas e desenvolvemos o Graph-R1, uma estrutura de aprendizado por reforço que utiliza modelos de repensar específicos da tarefa para guiar o raciocínio sobre grafos linearizados. Experimentos demonstram que o Graph-R1 supera os melhores métodos atuais em configurações zero-shot, produzindo previsões interpretáveis e eficazes. Nosso trabalho destaca a promessa do raciocínio explícito para aprendizado em grafos e fornece novos recursos para pesquisas futuras.