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。

研究提出了一种新框架GraphText，将图形转化为自然语言，以提升大型语言模型（LLMs）在图推理任务中的性能。通过编码图结构数据，评估LLMs在图预测任务中的表现，发现其在处理图数据时的优势与局限性。此外，引入了GraphEval2000数据集，评估LLMs在图形推理能力上的表现，结果显示LLMs在有向图理解上优于无向图，并提出了改进评估框架的方法。

本文提出了一种三分支编码器-解码器架构，结合图推理模块用于多模态图像融合，实验证明该方法在可见/红外图像和医学图像融合任务中表现优异，超越了其他融合方法。RiFeNet网络提高了前景实例的语义一致性，并在多个基准测试中优于最先进的方法。

本文探讨了视觉信息与文本信息结合在图推理任务中的可行性，实验表明多模态大型语言模型（MLLMs）在处理视觉数学问题和复杂推理任务时优于单一模态。研究揭示了模型的优势与局限性，并提出了改进推理能力的策略。

本文介绍了针对大型语言模型（LLMs）的评估基准和改进方法，包括FollowBench、CELLO和CoDI-Eval，揭示了LLMs在复杂指令遵循方面的不足。研究提出了EasyInstruct框架和Ada-Instruct生成器，以提升指令生成和模型微调效果。此外，InstructGraph框架增强了LLMs的图推理能力，实验证明了其优越性能，并探讨了AI生成指令数据在复杂任务中的潜力。

本研究提出了一种结合大型语言模型（LLMs）与知识图谱（KGs）的新方法，通过图推理（RoG）实现可解释的推理。实验结果显示，该方法在KG推理任务中表现优异，显著提升了LLMs在复杂问题解决中的能力。同时，研究探讨了LLMs在逻辑推理中的缺陷，并提出多种增强逻辑推理能力的策略，验证了逻辑训练的有效性。

本文提出了一种基于深度学习和图推理的图解析器PGDPNet，利用图神经网络进行几何关系分析和分类，并建立了PGDP5K数据集。实验结果显示，该模型在多个子任务上显著优于现有方法。

本文介绍了InstructGraph框架，旨在增强大型语言模型（LLMs）在图推理和生成任务中的能力。研究提出了结构化格式化语言器和图指令调整阶段，以提高模型的可靠性和性能。实验结果显示，InstructGraph在多个图任务中超越了GPT-4和LLaMA2，平均准确率提高54.44%。此外，还提出了GraphLLM和Graph-ToolFormer等方法，以进一步提升LLMs在图数据处理中的表现。

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。