研究人员引入了一个新框架NATD-GSSL，用于评估和改进图自监督学习（GSSL）方法在应用于嘈杂的、文本派生的图时的鲁棒性。现有的GSSL技术通常假设数据是干净的，但从文本自动提取知识图会引入显著的真实世界噪声。研究发现，关系重构任务对这种噪声高度敏感，而特征重构则更具韧性。图神经网络架构的选择也会影响性能，双向消息传递设计更适合嘈杂的图。 AI
影响 为将GSSL应用于真实世界的嘈杂图提供了实用指导，有可能提高生物医学知识提取等领域的性能。
排序理由 这是一篇发表在arXiv上的研究论文，详细介绍了一个新框架和对现有方法的评估。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
