Graph Foundational Models

新的图学习框架应对LLM的噪声和异质性

研究人员正在开发新的图学习方法，这些方法利用或绕过大型语言模型（LLM）。一种名为CANE的方法通过估计条件可靠性来纠正错误，从而解决了LLM生成的标签噪声问题。另一种方法VISION将图少样本学习重新构建为无微调的推理问题，利用受LLM启发的上下文学习能力，但无需直接依赖LLM。第三个框架GILT提供了一个无LLM、无微调的图基础模型，通过基于token的上下文学习机制处理数据异质性，实现高效适应。