#图学习
深入解析Neural Structured Learning: 结构化信号赋能神经网络训练
3 个月前
相关项目
neural-structured-learning
Neural Structured Learning (NSL) 利用图结构和对抗扰动等信号，提高神经网络模型的准确性和鲁棒性，特别适用于标注数据较少的情况。NSL 提供了 Keras 和 TensorFlow 的 API，帮助开发者在训练时融合结构化信号，兼容各种神经网络。结构化信号仅在训练阶段使用，对推理流程没有影响。
Schedule
Schedule是一个图学习研讨会社区,定期邀请相关研究者分享最新成果。涵盖数据高效图学习、时空深度学习、图神经网络表达、芯片设计等热门话题。来自国内外知名机构的学者参与,为图学习研究者提供交流平台。
GraphGPT
GraphGPT是一个将大语言模型与图结构知识对齐的创新框架。该框架通过文本-图谱接地编码结构信息,采用双阶段图指令微调适应图学习任务,并运用思维链蒸馏提升推理能力。GraphGPT有效增强了语言模型对图数据的理解和处理能力,为图结构数据分析提供了新的研究方向。
Awesome-LLM4Graph-Papers
该项目汇集大型语言模型(LLM)在图学习领域的最新论文和资源,将相关方法分为GNN前缀、LLM前缀、LLM-图集成和纯LLM四大类。项目提供详细分类说明和可视化图表,助力研究人员快速把握领域动态。内容定期更新,欢迎社区贡献,是LLM与图学习交叉研究的重要参考。