基于 LLM 引导的动态 UMAP 用于个性化联邦图学习
机器学习
2025-11-13 v1 人工智能
摘要
我们提出一种方法，使用大型语言模型 (LLM) 在个性化和隐私约束下辅助图机器学习。该方法结合稀疏图的数据增强、提示和指令调优以适应基础模型以图任务为准、以及 in-context learning 以提供 few-shot graph reasoning signals。这些信号参数化地在贝叶斯变分目标内部的 client-specific graph embeddings 的 Dynamic UMAP 流形中。该方法支持低资源环境下的节点分类和链路预测，并通过 cross-modal regularizer 将语言模型的潜在表示与图结构对齐。我们阐述了变分聚合程序的收敛性论证，描述了基于 moments accountant 的差分隐私威胁模型，并展示了应用于知识图谱完成、基于推荐的链路预测以及引用和产品图的应用。我们还讨论了评估 LLM 辅助图机器学习的评估考虑因素。
引用
@article{arxiv.2511.09438,
title = {LLM-Guided Dynamic-UMAP for Personalized Federated Graph Learning},
author = {Sai Puppala and Ismail Hossain and Md Jahangir Alam and Tanzim Ahad and Sajedul Talukder},
journal= {arXiv preprint arXiv:2511.09438},
year = {2025}
}