Jure Leskovec
Was Graphstruktur zu den Arten von logischem Schließen (Reasoning) und Retrieval-Problemen beiträgt, die Sprachmodelle derzeit ohne sie bearbeiten — und was übersehen wird, wenn Beziehungen in Daten zu Text verflacht werden.
Leskovecs node2vec (2016) war eine der ersten Methoden, die graphstrukturierte Daten als Input für Standard-ML-Pipelines nutzbar machten — Knoten als Vektoren einbetten, die Nachbarschaftsinformation bewahren, und die Embeddings dann überall dort als Features verwenden, wo ein Vektor funktioniert. Die Datensätze und Methoden des Stanford Network Analysis Project (SNAP), die folgten, wurden zum Standardsubstrat der Graph-ML-Forschung. Für ai100, wo die Frage „Woher weiß ein Modell, welche Marke es erwähnen soll?“ im Gebiet graphstrukturierten logischen Schließens (Reasoning) liegt — welche Entitäten in den Trainingsdaten mit welchen Kontexten verbunden sind —, ist die Graphperspektive ein nützlich orthogonaler Blickwinkel auf das, was aktuelle LLM-Evaluation meist nur an der Oberfläche misst.