热点事件观察中

ZeroPolar 论文提出标签无关的结构极性零样本方法

1 篇报道1 个报道来源1 天前更新

先了解这件事

AI 综述

Hanshuai Cui 等人提出 ZeroPolar 及 ZeroPolar-T 方法，旨在解决零样本网页分类中因链接误导导致的问题。该创新方法利用无需真值标签的结构极性来指导带符号传播，从而提升分类精度。在性能表现上，ZeroPolar-T 在 11 个图数据集上取得了 73.99% 的平均准确率，比 LLM-BP 高出 6.01 分，并显著优于对比的 18 个基线模型。这一结果展示了该方法在少标签场景下的优越性。具体应用场景中，当使用 GPT-4o 为每页提供一个标签时，ZeroPolar-T 达到了最高平均准确率。而在仅需 5% 页面 LLM 标签的情况下，免训练的 ZeroPolar 比基于这些标签训练的 GNN 领先 10.80 分，体现了极高的数据效率。

AI 根据报道生成 · 1 天前更新

最新进展11月2日 13:00

ZeroPolar：基于结构极性的网页零样本分类方法

报道时间线

沿着报道，了解事件的不同侧面。

11月2日

13:00
arXiv · ML
ZeroPolar：基于结构极性的网页零样本分类方法
ZeroPolar 利用无需真值标签的结构极性指导带符号传播，解决零样本网页分类中链接误导问题。模型在 11 个图数据集上平均准确率 73.99%，较 LLM-BP 高 6.01 分；仅需 5% LLM 标签即超 GNN 基准 10.80 分。该方法显著优于 18 个基线，实现无训练或单次去噪的高精度分类。

本事件热度走势

可比范围当前: 4
可比范围峰值: 1011月2日 14:00
近 24 小时变化: -51%

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。