May, 2024

TAGA：基于图和文本相互转换的自监督学习

PDF
TL;DRText-And-Graph Multi-View Alignment (TAGA) is a self-supervised learning framework that integrates Text-Attributed Graphs (TAGs), enabling efficient training and strong performance in zero-shot and few-shot scenarios across multiple datasets.
发现论文，激发创造
  • GAugLLM：使用大型语言模型改进文本属性图的图对比学习

    本研究通过语言监督来改善视图生成，介绍了 GAugLLM 框架，利用先进的大型语言模型（如 Mistral）增强自监督图学习，通过混合提示专家技术生成增强的节点特征，以及协作边修饰器来增强边的生成。实验结果表明，该框架可以作为插件工具增强领先的对比方法的性能，同时也能增强标准生成方法和流行的图神经网络的性能。

    Jun, 2024

  • 文本注释图谱：对复杂自然语言现象进行注释

    本文介绍了一种新的基于 Web 的文本注释软件工具 Text Annotation Graphs，它能够提供表示复杂文本之间关系的功能，其特点在于定义和可视化关系本身之间的关系（语义超图），并介绍了使用注释子图或语义摘要来显示文本本身顺序上下文之外的关系，该软件可被广泛应用于任何领域的注释任务。

    Nov, 2017

  • 在文本属性图中桥接局部细节和全局背景

    提出了 GraphBridge，一个多粒度整合框架，通过利用上下文文本信息来构建 TAGs 的局部和全局视角的桥梁，以增强对 TAGs 的细粒度理解，并引入了一个图感知的标记缩减模块来处理可扩展性和效率挑战。通过在各种模型和数据集上进行大量实验，表明我们的方法在性能上达到了最先进的水平，而我们的图感知标记缩减模块显著提高了效率并解决了可扩展性问题。

    Jun, 2024

  • 大规模语言模型蒸馏用于文本属性图学习

    本研究提出了使用大型语言模型和图模型相结合的方法来学习文本属性图 (TAG)，通过将大型语言模型的能力提取到本地图模型上，以解决大型语言模型的可扩展性、成本和隐私问题，并通过丰富的文本理由教授解释器，然后让学生模型模仿解释器的推理来弥补大型语言模型和图模型之间的固有差距。通过广泛实验证明了该方法的有效性。

    Feb, 2024

  • 通过变分推断在大规模文本属性图上进行学习

    本文通过变分 EM 算法提出了一种名为 GLEM 的高效文本 - 图像学习方法，该方法将大规模语言模型和图神经网络结构有效地融合，实现在大型文本 - 图像图模型上的学习。

    Oct, 2022

  • 利用大型语言模型进行文本属性图的解耦合表示学习

    通过 Disentangled Graph-Text Learner (DGTL) 模型，结合图结构信息和大型语言模型，提升了对文本属性图的推理能力和预测能力，并且通过提供自然语言解释来显著提高模型的解释性。

    Oct, 2023

  • UniGLM：文本属性图的统一语言模型训练

    通过自我监督的对比学习方法，我们介绍了一种新颖的统一图语言模型 (UniGLM) 框架，用于在多个领域和规模上进行多个文本 - 属性图 (Tag) 的联合微调，实现更好的泛化和转移学习能力。

    Jun, 2024

  • 通过大型语言模型实现文本属性图的潜力释放：自动关系分解

    RoSE 是一个利用大型语言模型自动将文本属性分解成轮廓性语义关系的框架，在各种数据集上显著提高了节点分类性能，最高可达 16％。

    May, 2024

  • 在图上高效微调大规模语言模型

    通过提出一种新颖高效的方法 LEADING，实现了对大型语言模型在文本属性图（TAGs）上的端到端微调，具有比现有方法更高的计算和数据效率，为一系列大型语言模型和基于 TAGs 的图学习任务提供了有前景的解决方案。

    Dec, 2023

  • 无需对文本属性图进行训练的图神经网络

    采用线性图神经网络（TrainlessGNN）模型构建代表每个类别节点属性子空间的权重矩阵，为 TAG 上的半监督节点分类提供了一种高效的方法，消除了迭代优化过程。广泛的实验证实了我们的无训练模型可以匹配甚至超越传统训练模型，展示了在特定配置中避免梯度下降的可能性。

    Apr, 2024