Este artículo propone el framework "GNN-as-Judge" para mejorar el rendimiento de los LLM en el aprendizaje semi-supervisado de pocas tomas en Text-Attributed Graphs (TAGs), donde los datos etiquetados son escasos. El método aborda los desafíos de generar pseudoetiquetas fiables y mitigar el ruido de las etiquetas incorporando el sesgo inductivo estructural de las GNN.
Esta investigación aborda los desafíos del aprendizaje multimodal de grafos (MGL) en entornos federados, especialmente cuando los grafos del mundo real están aislados y tienen modalidades incompletas. Introduce un robusto pipeline federado de dos etapas para superar las limitaciones de los métodos existentes, reconstruyendo modalidades faltantes y agregando parámetros actualizados del cliente.
Este artículo investiga cómo los LLMs aprenden en contexto, utilizando una tarea de paseo aleatorio en grafos para explorar si coinciden con patrones o infieren estructura latente. Revela que ninguna explicación por sí sola es suficiente, presentando evidencia de codificación simultánea de topologías de grafos e intervenciones causales.