BriefGPT - AI 论文速递
·
基于LLM的时变图信号在线预测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文提出了LLM4DyG基准，评估大型语言模型在动态图中的时空理解能力。实验分析了不同因素对模型性能的影响，并提出DST2方法以增强时空理解。主要发现包括LLMs具备初步的时空理解能力，动态图任务的难度随图的大小和密度增加，但对时间跨度和数据生成机制不敏感。数据和代码将开源。
🎯
关键要点
- 提出LLM4DyG基准，评估大型语言模型在动态图中的时空理解能力。
- 系统评估LLMs在动态图中的时空信息理解能力。
- 实验分析不同的数据生成器、数据统计、提示技术对模型性能的影响。
- 提出DST2方法以增强LLMs在动态图中的时空理解能力。
- LLMs在动态图中具有初步的时空理解能力。
- 动态图任务的难度随图的大小和密度增加，但对时间跨度和数据生成机制不敏感。
- DST2提示方法可以提高LLMs在动态图中的时空理解能力。
- 数据和代码将在发布时开源。
➡️
