本文介绍了一种新框架Graph-PReFLexOR，旨在满足自动化科学发现中的图推理与知识扩展需求。该框架结合图推理与符号抽象，支持灵活生成知识图谱，促进跨学科应用。实验证明其在推理深度和适应性方面表现优异，为AI驱动的科学发现奠定基础。

一种新方法将图结构转化为适合Transformer的线性token序列，从而提升大语言模型对图关系的理解。研究表明，基于节点中心性和PageRank的线性化方法在图推理任务中表现优异，尤其在节点计数和最大度计算方面。

大型语言模型在图推理问题上有潜力，但在真实任务中推广能力有限。NLGift基准测试显示，LLMs在简单模式上表现不错，但复杂推理和真实任务中仍有困难。研究发现后训练对齐对真实任务最有效，但超越模式记忆仍是挑战。

大型语言模型在图推理问题上有潜力，但在真实任务中推广能力有限。NLGift基准测试显示，LLMs在简单模式上表现不错，但在复杂推理和真实任务中有困难。研究发现，后训练对齐对真实任务最有效，但超越模式记忆仍具挑战。

大型语言模型（LLMs）在图推理方面有潜力，但对于其在真实世界任务中的推广能力仍存在疑问。NLGift基准测试评估了LLMs在图推理可推广性方面的表现，结果显示LLMs在推理和真实世界模式下的推广能力有限。研究发现后训练对齐是提高LLMs图推理可推广性的最有希望的策略。

大型语言模型（LLMs）在图推理方面有潜力，但对于其是否能够学习可推广的图推理技能还不清楚。研究者提出了NLGift基准测试，评估LLMs在真实世界图任务上的效用。实验结果显示LLMs在简单模式下表现良好，但在推理和真实世界模式下难以推广。研究者探索了三种改进LLM图推理可推广性的策略，发现后训练对齐是最有希望的，但超越模式记忆仍是一个未解决的问题。

本文提出了一种基于图推理的方法来提高弱监督语义分割技术，融合了外部知识和图卷积网络来全局推理跨类别依赖关系，应用图推理映射模块加强高级语义的特征表示，动态学习个别样本的语义一致性，取得了在 PASCAL VOC 2012 和 MS-COCO 数据集上的最新性能。