标签
该论文重新评估了基于LLM的文本属性图节点分类方法，发现其相对简单基线（如Correct & Smooth、MLP）的报告优势往往很小，并记录了测试集调参、标签泄漏等评估风险。
本文介绍了 STAG，一个针对文本属性图上 Graph Foundation Models 的隐蔽后门攻击框架，协调图和文本触发器以规避检测并实现有效攻击。
提出了STAD，一种半监督框架，利用Wasserstein距离、双路径编码器和基于LLM的文本合成来蒸馏文本属性图，以实现性能与压缩之间的最先进权衡。
本文提出LLM-GNN协同教学（LLM-GNN Co-Teaching），一种面向文本属性图的小样本图学习的双向框架。LLM和GNN交换高置信度的伪标签，并利用基于轮次的偏好优化（RPL-PO）相互改进，在基准测试上优于先前方法。