論文の概要: Where LLM Annotators Fail: Label-Free Learning on Graphs with LLMs

• arxiv url: http://arxiv.org/abs/2605.27913v1
• Date: Wed, 27 May 2026 03:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.724094
• Title: Where LLM Annotators Fail: Label-Free Learning on Graphs with LLMs
• Title（参考訳）: LLM アノテーションが機能しない場所: LLM を用いたグラフのラベルなし学習
• Authors: Safal Thapaliya, Jiatan Huang, Chuxu Zhang,
• Abstract要約: クラスタアウェアノイズ推定(CANE)は,クラスタ条件LLMの信頼性を基礎的な真理ラベルなしで評価する,ラベルフリーな学習フレームワークである。 CANEは、最強のラベルなしベースラインよりも改善されており、クラスタ条件のノイズがより強いデータセットに対する最大のゲインがある。
• 参考スコア（独自算出の注目度）: 25.577309437856428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node classification on graphs often requires labeled nodes, yet obtaining labels at graph scale is expensive. When node attributes contain semantic content, such as paper abstracts, web pages, or product descriptions, large language models (LLMs) can provide low-cost supervision by annotating a small subset of nodes. However, these LLM-generated labels are noisy, and existing label-free graph learning methods usually treat this noise as either global or class-conditional. We find that LLM annotation errors are not only class-dependent but also region-dependent: within the same class, reliability can vary sharply across feature-space clusters. In light of this, we propose Cluster-Aware Noise Estimation (CANE), a label-free learning framework that estimates cluster-conditional LLM reliability without ground truth labels, and uses this estimate to decide which pseudo-labels to trust, and which labels to correct. Across various graph benchmarks and GNN backbones, CANE improves over the strongest label-free baselines, with the largest gains on datasets exhibiting stronger cluster-conditional noise.
• Abstract（参考訳）: グラフ上のノード分類は、しばしばラベル付きノードを必要とするが、グラフスケールでのラベル取得は高価である。 ノード属性が、論文の要約、Webページ、製品記述などのセマンティックコンテンツを含んでいる場合、大きな言語モデル(LLM)は、ノードの小さなサブセットに注釈を付けることで、低コストの監視を提供することができる。 しかし、これらのLSM生成ラベルはノイズが多く、既存のラベルなしグラフ学習手法では、このノイズを大域的あるいはクラス的のいずれかとして扱うのが普通である。 LLMアノテーションのエラーは、クラスに依存しているだけでなく、リージョンに依存している。 そこで本研究では, クラスタフリー学習フレームワークであるCANEを提案し, その評価値を用いて, 信頼すべき疑似ラベル, 正しいラベルを決定する。 さまざまなグラフベンチマークとGNNバックボーンを通じて、CANEは最強のラベルなしベースラインよりも改善されており、クラスタ条件ノイズの強いデータセットに対する最大の増加率を示している。

関連論文リスト

• HopRank: Self-Supervised LLM Preference-Tuning on Graphs for Few-Shot Node Classification [34.92914341967866]
  本稿では,テキスト分散グラフ上でノード分類を行う完全自己教師型フレームワークHopRankを提案する。 本稿では,HopRankが完全に教師付きGNNと一致し,従来のグラフ-LLM法よりも大幅に優れていたことを示す。
  論文  参考訳（メタデータ） (2026-04-19T05:58:38Z)
• GNN-as-Judge: Unleashing the Power of LLMs for Graph Learning with GNN Feedback [29.323513184371222]
  大規模言語モデル (LLM) はテキスト分散グラフ (TAG) 上で高い性能を示した。 本論文は, (i) LLMのTAGの生成と選択の難しさ, (ii) 擬似ラベル付きLPMを微調整する際の潜在的なラベルノイズを軽減する必要性の2つの課題を対象としている。 GNN-as-Judge という新しいフレームワークを提案する。このフレームワークは,TAG 上で数発のセミ教師付き学習を行うための LLM のパワーを解放することができる。
  論文  参考訳（メタデータ） (2026-03-11T21:14:33Z)
• Calibrating Pre-trained Language Classifiers on LLM-generated Noisy Labels via Iterative Refinement [8.804897656598051]
  そこで我々はSiDyP: Simplex Label Diffusion with Dynamic Priorを提案する。 我々のフレームワークは、ゼロショットと少数ショットのLLM生成したノイズラベルデータセットをそれぞれ平均7.21%と7.30%で微調整したBERT分類器の性能を向上させることができる。
  論文  参考訳（メタデータ） (2025-05-26T08:31:55Z)
• Dynamic Bundling with Large Language Models for Zero-Shot Inference on Text-Attributed Graphs [56.73437142790496]
  大規模言語モデル(LLM)は多くのゼロショット学習問題で使われている。 LLMは、グラフトポロジから分離されたテキスト属性と競合する。 これらは、情報不足とLLMの固有の弱点の両方により、信頼性の低い予測をもたらす。
  論文  参考訳（メタデータ） (2025-05-23T08:12:16Z)
• Leveraging Large Language Models for Effective Label-free Node Classification in Text-Attributed Graphs [10.538099379851198]
  Locleは、LLMによるラベルなしノード分類を費用対効果で行う、アクティブなセルフトレーニングフレームワークである。 これは、GNNを用いて少数の「クリティカル」サンプルを反復的に識別し、LLMとGNNの両方で情報的擬似ラベルを抽出する。 ラベルのないノード分類では、同じクエリ予算で最先端のメソッドをLLMに大幅に上回ります。
  論文  参考訳（メタデータ） (2024-12-16T17:04:40Z)
• Inaccurate Label Distribution Learning with Dependency Noise [52.08553913094809]
  本稿では,依存雑音に基づく不正確なラベル分布学習(DN-ILDL)フレームワークを導入し,ラベル分布学習におけるノイズによる課題に対処する。 本稿では,DN-ILDLがILDL問題に効果的に対処し,既存のLCL法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-26T07:58:07Z)
• ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
  本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。 提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
  論文  参考訳（メタデータ） (2023-12-13T17:59:07Z)
• BadLabel: A Robust Perspective on Evaluating and Enhancing Label-noise Learning [113.8799653759137]
  我々はBadLabelと呼ばれる新しいラベルノイズタイプを導入し、既存のLNLアルゴリズムの性能を大幅に劣化させることができる。 BadLabelは、標準分類に対するラベルフライング攻撃に基づいて開発されている。 そこで本稿では, 各エポックにおいてラベルを逆向きに摂動させ, クリーンかつノイズの多いラベルの損失値を再び識別可能にする頑健なLNL法を提案する。
  論文  参考訳（メタデータ） (2023-05-28T06:26:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。