Este artigo propõe o framework "GNN-as-Judge" para aprimorar o desempenho de LLMs em aprendizado semi-supervisionado few-shot em Text-Attributed Graphs (TAGs), onde dados rotulados são escassos. O método aborda os desafios de gerar pseudo-rótulos confiáveis e mitigar ruído de rótulo ao incorporar o viés indutivo estrutural das GNNs.
Esta pesquisa aborda os desafios da aprendizagem de grafos multimodais (MGL) em ambientes federados, especialmente quando grafos do mundo real são isolados e possuem modalidades incompletas. Propõe um pipeline federado robusto em duas etapas para superar as limitações dos métodos existentes, reconstruindo modalidades ausentes e agregando parâmetros atualizados do cliente.
Este trabalho investiga como LLMs aprendem no contexto, utilizando uma tarefa de caminhada aleatória em grafos para explorar se eles combinam padrões ou inferem estrutura latente. A pesquisa revela que nenhuma abordagem é suficiente por si só, com evidências de codificação simultânea de topologias de grafos e intervenções causais.