WikiCSSH: Extracting Computer Science Subject Headings from Wikipedia
PulseAugur coverage of WikiCSSH: Extracting Computer Science Subject Headings from Wikipedia — every cluster mentioning WikiCSSH: Extracting Computer Science Subject Headings from Wikipedia across labs, papers, and developer communities, ranked by signal.
-
PromptGNN-sim 融合 GNN 和 LLM，实现高级文本属性图学习
研究人员开发了 PromptGNN-sim，一个旨在通过实现图神经网络（GNN）和大型语言模型（LLM）之间更深层次的交互来增强文本属性图学习的新框架。与先前将文本和结构分开处理的方法不同，PromptGNN-sim 采用双向融合方法。它使用图注意力网络（GAT）进行语义感知的邻域选择，并为 LLM 生成结构感知的提示。通过双向跨模态对比学习和交叉注意力，该框架联合优化 GNN 和 LLM 组件，在各种数据集和挑战性条件下均表现出卓越的性能。
-
新的PromptGNN-sim框架融合GNN与LLM，以增强图学习能力
研究人员推出PromptGNN-sim，一个新颖的框架，通过深度整合图神经网络（GNN）与大语言模型（LLM）来增强文本属性图（TAGs）的学习能力。这种双向方法解决了现有将文本和图结构分开处理方法的局限性。PromptGNN-sim采用图注意力网络（GAT）进行上下文感知的邻域选择，并为LLM生成结构感知提示。通过跨模态对比学习和交叉注意力，该框架联合优化GNN和LLM组件，在各种数据集上展现出优于传统GNN、LLM和其他GNN-L…
-
新的GNN模块解决结构纠缠以改进节点分类
研究人员开发了一个名为边界嵌入塑造（BES）的新即插即用模块，旨在提高图神经网络（GNN）的性能。BES专门解决了图结构纠缠问题，在这种问题中，不相关的邻居信息会污染节点嵌入，尤其会影响靠近类别边界的节点。通过自适应地抑制这种结构噪声，BES旨在提高分类准确性和预测稳定性，而不会显著改变模型参数。实验表明，BES在节点分类和链接预测任务中提高了GCN的性能。
-
LLM Features Can Harm GNN Performance on Homophilous Graphs
一篇新研究论文揭示，将大型语言模型（LLM）生成的特征整合到图神经网络（GNN）中，有时会降低在特定基准测试上的性能。这种被称为“连接干扰”的效应，在LLM特征被简单地附加到现有数据时被观察到，导致在PubMed和Cora等数据集上的准确性显著下降。研究表明，LLM特征的有效性取决于超越简单连接的因素，在中等同质性数据集上观察到了性能提升。