两种表达能力问题可以通过学习边(而不是节点)表示来消除,并结合结构特征,如三角形计数。最近的工作侧重于基于子图的方法,这些方法在LP中取得了最先进的性能,但由于子图之间的冗余率很高,会导致效率低下。...理想的解决方案是将语言模型和图形神经网络(GNN)与大规模语言模型、图形语言神经网络和EM框架相结合。然而,对于大规模的图,这个问题变得非常困难,因为大规模的文本和图的计算复杂性使得问题变得非常棘手。...在本文中,我们提出了一种有效的和有效的学习方法,通过将图结构和语言学习与变量期望最大化(EM)框架结合,将其改进为E-步骤和M步骤。这种程序允许单独训练两个模块,但同时允许它们相互增强。...理想的解决方案是将文本和图结构信息与大规模语言模型和图神经网络相结合。最近,这些系统对图卷积网络(GCN)的影响引起了巨大的关注。然而,没有先前研究过关于将图中节点/边移除或修改的影响函数的研究。...此外,我们进行了理论分析,以估计移除一个节点的误差边界。最后,我们证明了如何有效地使用影响函数来指导对抗攻击。
— end —
本期内容志愿者:程煜晴