Cet article propose le framework "GNN-as-Judge" pour améliorer les performances des LLM en apprentissage semi-supervisé few-shot sur les graphes à attributs textuels (TAGs) où les données étiquetées sont rares. La méthode relève les défis de la génération de pseudo-étiquettes fiables et de l'atténuation du bruit d'étiquette en intégrant le biais inductif structurel des GNNs.
Cette recherche s'attaque aux défis de l'apprentissage de graphes multimodaux (MGL) dans des environnements fédérés, notamment lorsque les graphes du monde réel sont isolés et ont des modalités incomplètes. Elle présente un pipeline fédéré robuste en deux étapes pour remédier aux limites des méthodes existantes en reconstruisant les modalités manquantes et en agrégeant les paramètres mis à jour par les clients.
Cet article examine comment les LLM apprennent en contexte, en utilisant une tâche de marche aléatoire sur graphe pour déterminer s'ils correspondent à des modèles ou infèrent une structure latente. Il révèle qu'aucune explication n'est suffisante à elle seule, présentant des preuves d'encodage simultané des topologies de graphes et d'interventions causales.