将聚类视为推理：链路思考图学习的 $k$-均值解释

Xuanting Xie; Zhaochen Guo; Bingheng Li; Xingtong Yu; Zhifei Liao; Zhao Kang; Yuan Fang

将聚类视为推理：链路思考图学习的 $k$-均值解释

人工智能 2026-05-26 v1 计算与语言网络与互联网体系结构

作者: Xuanting Xie , Zhaochen Guo , Bingheng Li , Xingtong Yu , Zhifei Liao , Zhao Kang , Yuan Fang

摘要

链路思考 (CoT) 提示已在处理 text-attributed graphs (TAGs) 的大型语言模型 (LLM) 推理能力方面显示出前景. 本工作通过将 CoT 图学习重新诠释为 clustering as reasoning 的原则, 提供了链路思考图学习的 $k$ -means 解释. 我们观察到, 现有图 CoT 方法依赖于离散架构和固定图表示, 限制了 step-by-step 的语义-拓扑交互和可解释性. 为克服这一限制, 我们提出了统一框架 KCoT, 将 CoT 推理与图表示学习集成. 我们的关键理论结果揭示了 Transformer 块与 $k$ -means 算法之间的形式数学对应关系, 使推理可被解释为迭代分配和更新步骤. 基于此洞见, 我们引入了 Semantic Discriminating Prompt, 将这些步骤明确形式化为结构化 CoT 推理, 并提出 structure-grounded alignment 策略以融合拓扑先验与演化 thought-conditioned 表示. 实验表明, 在标准基准上, KCoT consistently 超过最新方法, 验证了将聚类作为 CoT 图学习的原则机制.

关键词

链路思考图学习 $k$-均值解释语义-拓扑交互 Transformer 块

引用

@article{arxiv.2605.24867,
  title  = {Clustering as Reasoning: A $k$-Means Interpretation of Chain-of-Thought Graph Learning},
  author = {Xuanting Xie and Zhaochen Guo and Bingheng Li and Xingtong Yu and Zhifei Liao and Zhao Kang and Yuan Fang},
  journal= {arXiv preprint arXiv:2605.24867},
  year   = {2026}
}

备注

Accepted by ICML 2026

将聚类视为推理：链路思考图学习的 $k$-均值解释

摘要

关键词

引用

备注

相关论文