graph learning

3 items

RESEARCHarXiv CS.LG·4/13/2026

GNN-as-Judge: Unleashing the Power of LLMs for Graph Learning with GNN Feedback

Diese Arbeit stellt das „GNN-as-Judge“-Framework vor, um die Leistung von LLMs beim Few-Shot Semi-Supervised Learning auf Text-Attributed Graphs (TAGs) mit knappen gelabelten Daten zu verbessern. Die Methode begegnet den Herausforderungen der Erzeugung zuverlässiger Pseudo-Labels und der Minderung von Label-Rauschen durch die Einbeziehung der strukturellen induktiven Verzerrung von GNNs.

semi-supervised learning LLMs GNNs Few-Shot Learning

RESEARCHarXiv CS.LG·vor 26T

Towards Robust Federated Multimodal Graph Learning under Modality Heterogeneity

Diese Forschung befasst sich mit den Herausforderungen des multimodalen Graphenlernens (MGL) in föderierten Umgebungen, insbesondere wenn reale Graphen isoliert sind und unvollständige Modalitäten aufweisen. Sie stellt eine robuste zweistufige föderierte Pipeline vor, um die Einschränkungen bestehender Methoden zu überwinden, indem fehlende Modalitäten rekonstruiert und clientseitig aktualisierte Parameter aggregiert werden.

multimodal AI data heterogeneity federated learning missing data

RESEARCHarXiv CS.AI·vor 28T

Belief or Circuitry? Causal Evidence for In-Context Graph Learning

Diese Arbeit untersucht, wie LLMs im Kontext lernen, indem sie eine Graph-Zufallswanderungsaufgabe verwendet, um zu erforschen, ob sie Muster abgleichen oder latente Strukturen ableiten. Es zeigt sich, dass keine Erklärung allein ausreicht, und präsentiert Beweise für die gleichzeitige Kodierung von Graphtopologien und kausale Interventionen.

LLMs learning interpretability graph learning