यह शोधपत्र, कार्य-विशिष्ट मार्गदर्शन के बिना, अदृश्य ग्राफ़ कार्यों को सामान्यीकृत करने के लिए एक नवीन दृष्टिकोण प्रस्तुत करता है, जो GNN के निश्चित लेबल स्पेस की सीमाओं और LLM में संरचनात्मक आगमनात्मक पूर्वाग्रह के अभाव को दूर करता है। वृहद तर्क मॉडल (LRM) का लाभ उठाते हुए, हम नोड वर्गीकरण, लिंक पूर्वानुमान और ग्राफ़ वर्गीकरण जैसे ग्राफ़ कार्यों को पाठ अनुमान समस्याओं के रूप में पुनर्परिभाषित करते हैं। इसे प्राप्त करने के लिए, हम प्रत्येक कार्य के लिए विस्तृत अनुमान ट्रेस युक्त एक नवीन डेटासेट प्रस्तुत करते हैं और ग्राफ़-R1 विकसित करते हैं, जो एक सुदृढ़ीकरण अधिगम ढाँचा है जो कार्य-विशिष्ट पुनर्विचार टेम्पलेट्स का उपयोग करके रैखिककृत ग्राफ़ पर अनुमान का मार्गदर्शन करता है। प्रायोगिक परिणाम प्रदर्शित करते हैं कि ग्राफ़-R1 व्याख्या योग्य और प्रभावी पूर्वानुमान उत्पन्न करता है जो शून्य-शॉट सेटिंग्स में अत्याधुनिक बेसलाइन मॉडल से बेहतर प्रदर्शन करते हैं। यह अध्ययन स्पष्ट अनुमान के माध्यम से ग्राफ़ अधिगम की क्षमता पर प्रकाश डालता है और भविष्य के अनुसंधान के लिए नई सामग्री प्रदान करता है।
