实体
Tags
Tags
PulseAugur coverage of Tags — every cluster mentioning Tags across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的N2NSC框架对齐文本和拓扑以实现图异常检测
研究人员开发了一个名为N2NSC的新框架，用于解决文本属性图（TAGs）中的异常检测问题。该方法侧重于节点与其邻域之间的语义一致性，认识到异常可能源于文本不匹配或拓扑偏差。N2NSC集成了图神经网络（GNNs）和大型语言模型（LLMs），以有效地捕获结构和语义信息，在八个数据集上表现优于现有的最先进方法。
-
ERAlign 框架在文本属性图上对齐 GNN 和 LLM 的表示
研究人员开发了 ERAlign，一个用于在文本属性图上对齐图神经网络 (GNN) 和大型语言模型 (LLM) 表示的新框架。该方法利用基于能量的模型 (EBM) 将 GNN 编码的图结构和 LLM 派生的文本嵌入投影到共享的潜在空间中，确保分布一致性。该框架引入了能量差异 (ED) 以提高训练效率并减少能量景观失真。在八个数据集上的实证结果表明，ERAlign 在各种监督和跨任务迁移场景中取得了最先进的性能。
-
新的 BOSQ 框架大幅降低图任务的 LLM 成本
研究人员开发了一个名为双层优化稀疏查询（BOSQ）的新框架，以降低使用大型语言模型（LLM）处理文本属性图（TAG）任务的计算和金钱成本。BOSQ 采用自适应稀疏查询策略，智能选择何时调用 LLM，从而避免不必要的查询并显著降低开销。在六个真实世界 TAG 数据集上的实验表明，BOSQ 在运行时速度显著提高的同时，实现了与现有 GraphLLM 方法相当或更好的性能。