Neues, trainingsfreies Graph-Reasoning: GRRAF erreicht 100 % Genauigkeit

Ein neues Verfahren namens Graph Reasoning via Retrieval Augmented Framework (GRRAF) wurde vorgestellt, das ohne zusätzliche Trainingsschritte auskommt. GRRAF nutzt die Retrieval‑Augmented Generation (RAG) in Kombination mit den Code‑Generierungsfähigkeiten großer Sprachmodelle (LLMs), um verschiedenste Graph‑Reasoning‑Aufgaben zu lösen.

Im Kern speichert GRRAF das Zielgraphen in einer Graphdatenbank. Das LLM wird dann aufgefordert, ausführbaren Code zu generieren, der die nötigen Informationen abruft. Dieser Ansatz vermeidet die Einschränkungen herkömmlicher Methoden, die umfangreiches Feintuning erfordern oder auf vorgefertigte Algorithmen angewiesen sind. Zusätzlich sorgt ein Fehler‑Feedback‑Loop mit Time‑Out-Mechanismus für korrekte und effiziente Ergebnisse.

Tests auf dem GraphInstruct‑Datensatz zeigen, dass GRRAF bei den meisten Aufgaben – darunter Zyklus‑Erkennung, bipartite Graph‑Prüfung, kürzeste Pfad‑Berechnung und Maximalfluss – eine Genauigkeit von 100 % erreicht. Auch bei der Subgraph‑Matching‑Aufgabe bleibt die Leistung hoch, wenn auch nicht perfekt. Besonders bemerkenswert ist die Skalierbarkeit: GRRAF arbeitet zuverlässig mit Graphen bis zu 10.000 Knoten.