PulseAugur
中
实时 13:16:53
English(EN) Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs

新框架改进了文本属性图中的分布外检测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 LG-Plug，一个旨在改进文本属性图 (TAGs) 中分布外 (OOD) 检测的新框架。该方法有效地结合了图拓扑和文本信息，解决了先前方法在低估语义数据或在生成可靠 OOD 暴露方面存在不足的局限性。LG-Plug 可与现有检测器无缝集成，显著提高其性能并减少在未见过数据上的误报。 AI

影响 提高了 AI 模型识别新颖或分布外数据的可靠性，这对于稳健的实际应用至关重要。

排序理由 该集群包含一篇详细介绍 OOD 检测新框架的研究论文。[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) · Yinlin Zhu, Di Wu, Xu Wang, Guocong Quan, Miao Hu ·

    Both Topology and Text Matter: Revisiting LLM-guided Out-of-Distribution Detection on Text-attributed Graphs

    arXiv:2602.11641v2 Announce Type: replace Abstract: Text-attributed graphs (TAGs) associate nodes with textual attributes and graph structure, enabling GNNs to jointly model semantic and structural information. Although effective on in-distribution (ID) data, GNNs often fail on o…

相关话题