论文
谁应该教？文本属性图上少样本节点分类的置信感知双师学习
Who Should Teach? Confidence-Aware Dual-Teacher Learning for Few-Shot Node Classification on Text-Attributed Graphs
摘要
文本属性图 (TAG) 集成了图结构和节点相关的文本属性，最近的研究越来越多地利用 大语言模型 (LLM) 来改进少样本设置中的 TAG 学习。然而，现有方法通常在所有节点上统一利用 LLM 派生的信息，尽管其可靠性存在很大差异，同时还会产生相当大的金钱成本。我们认为，最合适的监督来源可能因节点而异，因为图神经网络（GNN）和 LLM 分别在利用结构和语义信息方面表现出互补的优势。为此，我们提出了 CoTeach，一种具有信心的双教师学习框架，可以为每个节点动态选择更可靠的教师。实验结果表明，CoTeach 持续提高了少样本节点分类性能，同时减少了不必要的 LLM 利用率和相关的货币成本。