T2T-LA: 一种面向图学习的拓扑到拓扑大语言模型智能体，无需特征访问与任务知识
机器学习
2026-05-18 v4
摘要
图学习旨在将数据转换为图表示，这是机器学习中许多 CAD 问题的基础，其中电路、布局、设计和优化状态通常被建模为图结构对象。现有的图学习方法通常依赖精心设计的图构建规则、大量的参数调优和复杂的数学理论；此外，要获得良好的性能通常需要针对下游目标进行任务特定的图构建。在这项工作中，我们研究一个大语言模型（LLM）是否可以在不观察特征矩阵、不了解下游任务且不依赖任何精心设计的图构建算法或参数调优过程的情况下，推理图结构并推断出有用的拓扑。为此，我们提出了 T2T-LA，一种拓扑到拓扑大语言模型智能体，其输入仅为一组先前失败的拓扑以及评分系统分配给它们的得分。智能体不会被告知产生这些得分的任务或算法、这些拓扑是如何生成的，或者这些得分意味着什么。由于所观察到的拓扑均不理想，T2T-LA 无法简单地模仿一个好的示例。相反，它被迫推断图连接模式与观察到的得分之间的隐藏关系，这一能力在 CAD 场景中尤为重要，因为有用的设计结构可能难以手动指定。实验结果表明，T2T-LA 可以一次性生成一个图拓扑，使下游算法能够产生足够好的解，这暗示了 LLM 驱动的拓扑推理和 ML-for-CAD 工作流中图表示学习的新方向。
引用
@article{arxiv.2512.08964,
title = {T2T-LA: A Topology-to-Topology LLM Agent for Graph Learning with Neither Feature Access nor Task Knowledge},
author = {Yongyu Wang},
journal= {arXiv preprint arXiv:2512.08964},
year = {2026}
}