超越单一方案：基于大语言模型的自适应子图去噪用于零样图图学习
机器学习
2026-05-22 v2 人工智能
摘要
图基任务在零样图设置下仍是一个重要挑战，由于数据稀缺以及传统图神经网络（GNN）无法泛化到未见域或标签空间。虽然近期进展转向利用大语言模型（LLM）作为预测器来增强GNN，但这些方法常常 suffer from跨模态对齐问题。近期范式（即Graph-R1）通过采用纯文本格式并利用LLM-based图推理，克服了上述架构依赖问题，显示出 improved的零样图泛化。然而，它采用任务无关的、一个大小适合的子图提取策略，不可避免地引入显著的结构噪声——不相关的邻居和边——扭曲LLMs的感受野并导致次优预测。为此，我们引入GraphSSR，一个用于零样图LLM-based图推理中的自适应子图提取和去噪的新型框架。具体而言，我们提出SSR管道，通过“Sample-Select-Reason”过程动态地为特定上下文定制子图提取，使模型能够自主过滤任务无关的邻居并克服一个大小适合的问题。为内化此能力，我们开发了SSR-SFT，一种生成高质量SSR-style图推理痕迹的数据合成策略，用于监督微调LLMs。此外，我们提出SSR-RL，一个两阶段强化学习框架，显式地调节SSR管道中所提出的采样和选择操作，以实现自适应子图去噪。通过引入Authenticity-Reinforced和Denoising-Reinforced RL，我们引导模型使用精简、去噪后的子图进行推理以实现准确预测。
引用
@article{arxiv.2603.02938,
title = {Beyond One-Size-Fits-All: Adaptive Subgraph Denoising for Zero-Shot Graph Learning with Large Language Models},
author = {Fengzhi Li and Liang Zhang and Yuan Zuo and Ruiqing Zhao and YanSong Liu and Yunfei Ma and Fanyu Meng and Junlan Feng},
journal= {arXiv preprint arXiv:2603.02938},
year = {2026}
}