כתבה
arXiv cs.LG ·
LLM כ-GNN: למידת פונקציונליות גרפית למודלי יסוד של גרף עם תיאורי טקסט
LLM as GNN: Graph Vocabulary Learning for Text-Attributed Graph Foundation Models
הצגת רעיון חדש לשילוב LLM ו-GNN לגרפים עם תיאורי טקסט, עם למידת פונקציונליות גרפית. הצגת רעיון חדש לשילוב LLM ו-GNN לגרפים עם תיאורי טקסט, עם למידת פונקציונליות גרפית. הצגת רעיון חדש לשילוב LLM ו-GNN לגרפים עם תיאורי טקסט, עם למידת פונקציונליות גרפית.
תקציר מקורי באנגליתarXiv:2503.03313v4 Announce Type: replace Abstract: Text-Attributed Graphs (TAGs), where each node is associated with text descriptions, are ubiquitous in real-world scenarios. They typically exhibit distinctive structure and domain-specific knowledge, motivating the development of a Graph Foundation Model (GFM) that generalizes across diverse graphs and tasks. Despite large efforts to integrate Large Language Models (LLMs) and Graph Neural Networks (GNNs) for TAGs, existing approaches suffer from decoupled architectures with two-stage alignment, limiting their synergistic potential. Even worse, existing methods assign out-of-vocabulary (OOV) tokens to graph nodes, leading to graph-specific semantics, token explosion, and incompatibility with task-oriented prompt templates, which hinders c
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית