「图结构学习」新思路！港大等提出GraphEdit模型：用LLM删除噪声边，全局理解节点间依赖关系

模型信息

【模型公司】 OpenAI
【模型名称】 gpt-4-0125-preview
【摘要评分】 ★★★★★

文章摘要

【关 键 词】 图结构学习、大型语言模型、边预测器、结构优化、节点分类性能

引言

GraphEdit是一种新颖的图结构学习（GSL）方法，旨在通过大型语言模型（LLMs）优化图网络，有效去除噪声连接并识别节点间的隐性依赖关系。该方法克服了现有GSL方法依赖显式图结构信息的限制，提高了图结构学习的准确性和鲁棒性。

方法

GraphEdit通过指令微调大型语言模型，利用文本数据增强对图形结构的理解。该方法包括两个主要组件：基于LLM的边预测器和LLM增强的结构优化。边预测器帮助选择候选边，而结构优化则决定哪些边应该被添加或删除，从而优化图结构。

实验

广泛的实验表明，GraphEdit在多个数据集上展现出优越的性能，特别是在去噪和揭示节点间隐性全局依赖性方面。消融实验进一步验证了模型各组件的重要性。与其他LLMs相比，GraphEdit展现了更好的去噪能力。可视化分析和案例分析进一步证明了GraphEdit在优化图结构和提高节点分类性能方面的有效性。

总结

GraphEdit通过结合LLMs的推理能力和轻量级边预测器，有效地优化了图结构，提高了图结构学习的准确性和鲁棒性。实验结果证明了其在不同设置下的卓越性能，为图结构学习提供了一种有效的新方法。

原文信息

【原文链接】 阅读原文
【阅读预估】 4584 / 19分钟
【原文作者】 新智元
【作者简介】 智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人革命对人类社会与文明进化的影响，领航中国新智能时代。