论文
聚类即推理：思维链图学习的k-means解释
Clustering as Reasoning: A $k$-Means Interpretation of Chain-of-Thought Graph Learning
摘要
思维链（CoT）提示在增强大语言模型（LLM）对文本属性图（TAG）的推理能力方面已展现出前景。本工作通过“聚类即推理”的原则重构基于CoT的图学习，为迭代推理如何在图结构数据上运作给出k-means解释。我们观察到，现有图CoT方法依赖彼此分离的架构与固定的图表示，限制了逐步的语义-拓扑交互和可解释性。为克服这一局限，我们提出名为KCoT的统一框架，将CoT推理与图表示学习相整合。我们的关键理论结果揭示了Transformer块与k-means算法之间的形式化数学对应，使推理可被解释为迭代的分配与更新步骤。基于这一洞见，我们引入语义判别提示（Semantic Discriminating Prompt），将这些步骤显式地表述为结构化CoT推理，并提出一种以结构为依据的对齐策略，将拓扑先验与随思维条件化演化的表示相融合。在标准基准上的实验表明，相较最先进方法取得一致改进，验证了聚类可作为基于CoT图学习的一种有原则的机制。
