AIGC動(dòng)態(tài)歡迎閱讀

原標(biāo)題：「圖結(jié)構(gòu)學(xué)習(xí)」新思路！港大等提出GraphEdit模型：用LLM刪除噪聲邊，全局理解節(jié)點(diǎn)間依賴關(guān)系
關(guān)鍵字：節(jié)點(diǎn),結(jié)構(gòu),數(shù)據(jù),模型,噪聲
文章來(lái)源：新智元
內(nèi)容字?jǐn)?shù)：12786字

內(nèi)容摘要：

新智元報(bào)道編輯：LRS
【新智元導(dǎo)讀】GraphEdit方法可以有效地去除圖網(wǎng)絡(luò)中的噪聲連接，還能從全局視角識(shí)別節(jié)點(diǎn)間的依賴關(guān)系，在不同的實(shí)驗(yàn)設(shè)置中都被驗(yàn)證為有效且穩(wěn)健。圖結(jié)構(gòu)學(xué)習(xí)（Graph Structure Learning, GSL）旨在通過(guò)生成新的圖結(jié)構(gòu)來(lái)捕捉圖結(jié)構(gòu)數(shù)據(jù)中節(jié)點(diǎn)之間的內(nèi)在依賴性和交互關(guān)系。
圖神經(jīng)網(wǎng)絡(luò)（Graph Neural Networks, GNNs）作為一種有前景的GSL解決方案，通過(guò)遞歸消息傳遞來(lái)編碼節(jié)點(diǎn)間的相互依賴性。然而，許多現(xiàn)有的GSL方法過(guò)度依賴于作為監(jiān)督信號(hào)的顯式圖結(jié)構(gòu)信息，使它們?nèi)菀资艿綌?shù)據(jù)噪聲和稀疏性的挑戰(zhàn)。
在這項(xiàng)工作中，研究人員提出了GraphEdit方法，該方法利用大型語(yǔ)言模型（Large Language Models, LLMs）來(lái)學(xué)習(xí)圖形結(jié)構(gòu)數(shù)據(jù)中復(fù)雜的節(jié)點(diǎn)關(guān)系。
論文鏈接：https://arxiv.org/abs/2402.15183
代碼鏈接：https://github.com/HKUDS/GraphEdit
通過(guò)對(duì)大型語(yǔ)言模型進(jìn)行圖結(jié)構(gòu)指令調(diào)優(yōu)以增強(qiáng)其推理能力，旨在克服顯式圖結(jié)構(gòu)信息相關(guān)的限制，并提高圖結(jié)構(gòu)學(xué)習(xí)的可

原文鏈接：「圖結(jié)構(gòu)學(xué)習(xí)」新思路！港大等提出GraphEdit模型：用LLM刪除噪聲邊，全局理解節(jié)點(diǎn)間依賴關(guān)系

聯(lián)系作者

文章來(lái)源：新智元
作者微信：AI_era
作者簡(jiǎn)介：智能+中國(guó)主平臺(tái)，致力于推動(dòng)中國(guó)從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點(diǎn)關(guān)注人工智能、機(jī)器人等前沿領(lǐng)域發(fā)展，關(guān)注人機(jī)融合、人工智能和機(jī)器人對(duì)人類(lèi)社會(huì)與文明進(jìn)化的影響，領(lǐng)航中國(guó)新智能時(shí)代。