在图学习中，分布偏移始终是一个挑战，尤其是在模型需要在有限或没有监督的情况下适应新图时。最近的图-LLM方法通过将图线性化为提示，并使用大型语言模型（LLM）作为预测器，朝着标签高效的预测方向发展，并且可以采用链式思维（CoT）提示以利用LLM的多步骤推理能力。然而，现有的基于CoT的图-LLM方法在固定图标记的条件下生成中间思维，限制了结构线索的逐步优化。
本文提出了CoEvoT，一个简单而有效的共同演化CoT提示框架，用于图-LLM推理。CoEvoT将文本到图的标记重写和图到文本的推理指导结合在一个闭环中：每个中间文本思维用于通过轻量级条件网络更新图标记证据状态，而更新后的标记被反馈到下一步指令中，以指导后续的LLM推理。
这样可以实现逐步的、状态感知的证据优化，而不是在固定的图快照上进行推理。对八个数据集的广泛实验表明，CoEvoT在性能上始终优于最先进的基线。
博主点评： CoEvoT框架通过动态更新图标记，在图学习领域开辟了新的可能性。其逐步的状态感知推理方法，不仅提升了模型的适应性，也为未来的图-LLM研究提供了新的思路。值得关注的是，该框架在多个数据集上优于现有方法，显示了其广泛的应用潜力。