Незакрываемая семантическая иерархия в текстовых графах через комбинацию ЭМ на основе LLM-GN

arXiv: 2610.24624v1 Annualce Type: New Express: Хотя иерархические структуры являются неотъемлемым элементом организации человеческих знаний, текущее обучение представления на текстовых графах в основном работает на плоском семантическом пространстве, не обращая внимания на богатую гранулярность, присущую реальному миру. Для преодоления этого разрыва мы предлагаем SHIFT, который обеспечивает синергию аргументационных возможностей МПМ и структурного представительства GNN в рамках парадигмы ожидания-Максимации (ЕМ). На этапе Е мы используем MLM в качестве экспертов-таксономистов для создания явно семантического дерева, внедряя стратегию легковесного картирования и диагностики, которая снижает затраты за счет хирургического обновления иерархии только при обнаружении аномалий. На этапе М мы привязываем эн-NN к этой стимулируемой иерархии с взаимодополняющей точки зрения, включая группирование раздела, топологический скелет и семантические концепции. Теоретический анализ интерпретирует SHIFT как обобщенный алгоритм переменной ЭМ. Внутр.