「圖結構學習」新思路！港大等提出GraphEdit模型：用LLM刪除噪聲邊，全局理解節點間依賴關系

AIGC動態歡迎閱讀

原標題：「圖結構學習」新思路！港大等提出GraphEdit模型：用LLM刪除噪聲邊，全局理解節點間依賴關系
關鍵字：節點,結構,數據,模型,噪聲
文章來源：新智元
內容字數：12786字

內容摘要：

新智元報道編輯：LRS
【新智元導讀】GraphEdit方法可以有效地去除圖網絡中的噪聲連接，還能從全局視角識別節點間的依賴關系，在不同的實驗設置中都被驗證為有效且穩健。圖結構學習（Graph Structure Learning, GSL）旨在通過生成新的圖結構來捕捉圖結構數據中節點之間的內在依賴性和交互關系。
圖神經網絡（Graph Neural Networks, GNNs）作為一種有前景的GSL解決方案，通過遞歸消息傳遞來編碼節點間的相互依賴性。然而，許多現有的GSL方法過度依賴于作為監督信號的顯式圖結構信息，使它們容易受到數據噪聲和稀疏性的挑戰。
在這項工作中，研究人員提出了GraphEdit方法，該方法利用大型語言模型（Large Language Models, LLMs）來學習圖形結構數據中復雜的節點關系。
論文鏈接：https://arxiv.org/abs/2402.15183
代碼鏈接：https://github.com/HKUDS/GraphEdit
通過對大型語言模型進行圖結構指令調優以增強其推理能力，旨在克服顯式圖結構信息相關的限制，并提高圖結構學習的可

原文鏈接：「圖結構學習」新思路！港大等提出GraphEdit模型：用LLM刪除噪聲邊，全局理解節點間依賴關系

聯系作者

文章來源：新智元
作者微信：AI_era
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。