LLM指导的LUCID方法提供可解释的无监督社区检测

研究人员开发了LUCID，一种用于图的无监督社区检测的新颖方法，该方法利用大型语言模型（LLMs）来实现可解释性。与难以处理复杂结构或牺牲可解释性的深度学习方法不同，LUCID使用LLMs为识别社区生成明确的规则。四阶段流程包括初始化局部社区，使用LLM诱导的规则合并它们，在多个粒度上精炼这些社区，最后根据拓扑紧密度选择高质量的组。实验表明，LUCID在无监督方法中取得了最先进的性能。 AI

影响 该方法可以通过利用LLMs为无监督学习任务中的规则生成来增强图分析的可解释性。

排序理由 该集群包含一篇详细介绍使用LLMs进行社区检测新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Large language models
• LUCID
• ScienceCast

• 论文
• 其他

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