PulseAugur
中
实时 13:36:26
English(EN) Beyond One-Size-Fits-All: Adaptive Subgraph Denoising for Zero-Shot Graph Learning with Large Language Models

新框架GraphSSR改进了基于LLM的零样本图学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了GraphSSR，一个通过自适应提取和去噪子图来改进零样本图学习的新框架。该方法解决了当前使用“一刀切”子图提取策略的方法的局限性，这种策略会引入噪声并扭曲预测。GraphSSR采用“采样-选择-推理”过程进行定制化子图提取，并使用监督微调和强化学习来过滤无关信息并增强基于LLM的图推理能力。 AI

影响 增强了LLM在图推理任务中的能力，有可能提高需要分析复杂关系数据的领域的性能。

排序理由 该集群包含一篇详细介绍图学习新框架和方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Fengzhi Li, Liang Zhang, Yuan Zuo, Ruiqing Zhao, YanSong Liu, Yunfei Ma, Fanyu Meng, Junlan Feng ·

    Beyond One-Size-Fits-All: Adaptive Subgraph Denoising for Zero-Shot Graph Learning with Large Language Models

    arXiv:2603.02938v2 Announce Type: replace Abstract: Graph-based tasks in the zero-shot setting remain a significant challenge due to data scarcity and the inability of traditional Graph Neural Networks (GNNs) to generalize to unseen domains or label spaces. While recent advanceme…

相关实体

相关话题