PulseAugur
中
实时 03:17:41
English(EN) Enhancing LLMs for Graph Tasks via Graph-aware LoRA Generation

新的GaRA方法使用图感知LoRA增强LLM处理图任务的能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了GaRA，一种将大型语言模型（LLM）适配到基于图的任务的新颖方法。该方法通过生成与隐藏表示交互的任务特定权重更新来注入整个图的信息，克服了先前难以编码完整图数据的方法的局限性。GaRA是使用低秩适配（LoRA）实现此范例的一种实例，它构建了以图结构为条件的权重更新，并约束其范数以防止优化偏差。实验表明，GaRA在零样本图学习场景中优于现有方法。 AI

影响 这项研究可以提高LLM在基于图的任务上的性能，可能扩展它们在网络分析和推荐系统等领域的应用。

排序理由 该条目描述了在arXiv论文中提出的一种新颖方法，用于将LLM适配到图任务。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的GaRA方法使用图感知LoRA增强LLM处理图任务的能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shuhui Wang ·

    通过图感知LoRA生成增强图任务的LLM

    Graph neural networks (GNNs) tightly couple their input-output parameters to dataset-specific feature spaces and target sets, exhibiting limited transferability across different datasets. In contrast, language models (LMs) generalize flexibly via a unified input-output interface,…

相关实体

相关话题