SHiFT 变分 EM 范式结合 LLM 与 GNN
热点事件持续更新
SHiFT 变分 EM 范式结合 LLM 与 GNN
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
研究人员提出 SHiFT 方法，在变分期望最大化（EM）框架下协同 LLM 推理与 GNN 结构表征，解决文本归图的层级学习问题。 该范式将 LLM 作为 E 步引擎，基于提示诱导语义树；GNN 编码器在 M 步进行对齐，实现 LLM-GNN 协同。最新进展显示，SHiFT 已被 NeurIPS 2026 接收，实验表明其达到 state-of-the-art 性能。
AI 根据报道生成 · 1 小时前更新
最新进展10月20日 12:00
SHiFT 通过基于变分 EM 的 LLM-GNN 协同揭示文本归图语义层级报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · MLSHiFT 通过基于变分 EM 的 LLM-GNN 协同揭示文本归图语义层级
论文提出 SHiFT 方法，在 EM 框架下协同 LLM 推理与 GNN 结构表征，解决文本归图层级学习问题。 E-step 利用 LLM 诱导语义树，M-step 对齐 GNN 编码器；实验显示其达到 state-of-the-art 性能。 已被 NeurIPS 2026 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。