LLM-gestütztes Energie-Contrastive-Lernen verbessert OOD-Erkennung in Text-Graphen

Textattributierte Graphen, bei denen Knoten mit umfangreichen Textinformationen angereichert sind, haben sich zu einem leistungsstarken Werkzeug für die Modellierung von Netzwerken wie Zitaten, sozialen Medien und Transaktionsdaten entwickelt. Trotz ihrer Vielseitigkeit gehen die meisten Lernmethoden davon aus, dass Trainings- und Testdaten aus derselben Verteilung stammen – eine Annahme, die bei Ausreißern (Out-of-Distribution, OOD) zu starkem Leistungsabfall führt.

Um dieses Problem zu lösen, stellt die neue Methode LECT (LLM-Enhanced Energy Contrastive Learning) vor. Sie kombiniert die semantische Tiefe großer Sprachmodelle (LLMs) mit energiebasierter kontrastiver Lernstrategie, um Knoten auf Basis ihrer Textattribute zuverlässig zu klassifizieren und gleichzeitig OOD-Knoten zu erkennen.

LLMs erzeugen hochwertige Pseudo‑OOD‑Knoten, indem sie kontextabhängige, semantisch konsistente Textvarianten generieren. Anschließend trennt ein kontrastives Lernverfahren, das auf Energiefunktionen basiert, die in‑Distribution‑Knoten (IND) von den generierten OOD‑Knoten. Dieser Ansatz nutzt die Fähigkeit der LLMs, komplexe Zusammenhänge zu erfassen, und die Robustheit des energie‑basierten Modells gegenüber ungewöhnlichen Daten.

In umfangreichen Experimenten auf sechs etablierten Benchmark‑Datensätzen übertrifft LECT die führenden Baselines konsequent. Die Methode erzielt nicht nur eine hohe Klassifikationsgenauigkeit, sondern liefert auch eine robuste OOD‑Erkennung, was sie zu einem vielversprechenden Werkzeug für die Analyse realer, textreicher Graphen macht.