論文の概要: Automated Machine Learning on Graphs: A Survey
- arxiv url: http://arxiv.org/abs/2103.00742v1
- Date: Mon, 1 Mar 2021 04:20:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:19:20.595435
- Title: Automated Machine Learning on Graphs: A Survey
- Title（参考訳）: グラフ上での自動機械学習:調査
- Authors: Ziwei Zhang, Xin Wang and Wenwu Zhu
- Abstract要約: 本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
- 参考スコア（独自算出の注目度）: 81.21692888288658
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Machine learning on graphs has been extensively studied in both academic and
industry. However, as the literature on graph learning booms with a vast number
of emerging methods and techniques, it becomes increasingly difficult to
manually design the optimal machine learning algorithm for different
graph-related tasks. To solve this critical challenge, automated machine
learning (AutoML) on graphs which combines the strength of graph machine
learning and AutoML together, is gaining attentions from the research
community. Therefore, we comprehensively survey AutoML on graphs in this paper,
primarily focusing on hyper-parameter optimization (HPO) and neural
architecture search (NAS) for graph machine learning. We further overview
libraries related to automated graph machine learning and in depth discuss
AutoGL, the first dedicated open-source library for AutoML on graphs. In the
end, we share our insights on future research directions for automated graph
machine learning. To the best of our knowledge, this paper is the first
systematic and comprehensive review of automated machine learning on graphs.
- Abstract（参考訳）: グラフ上の機械学習は、学術と産業の両方で広く研究されている。
しかし、グラフ学習に関する文献が多くの新しい手法や技術と共にブームとなり、異なるグラフ関連タスクに対して最適な機械学習アルゴリズムを手動で設計することはますます困難になっている。
この重要な課題を解決するため、グラフ機械学習とAutoMLの強みを融合させたグラフの自動機械学習(AutoML)が研究コミュニティから注目を集めています。
そこで本稿では,グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)を中心に,AutoMLをグラフ上で総合的に調査する。
グラフ機械学習の自動化に関するライブラリをさらに概観し,グラフ上のautoml専用のオープンソースライブラリであるautoglについて詳しく説明する。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
我々の知る限り、この論文はグラフ上の自動機械学習の体系的かつ包括的なレビューとしては初めてである。
関連論文リスト
- GraphFSA: A Finite State Automaton Framework for Algorithmic Learning on Graphs [18.95453617434051]
GraphFSAは、与えられたグラフの各ノード上で動作する有限状態オートマトンを学ぶように設計されている。
セルラーオートマトン問題に対してGraphFSAを試験し、その能力を簡単なアルゴリズム設定で示す。
メインのアプリケーションとして、より精巧なグラフアルゴリズムを学ぶことに集中します。
論文 参考訳（メタデータ） (2024-08-20T17:49:47Z) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Curriculum Graph Machine Learning: A Survey [51.89783017927647]
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを統合する。
本稿では,グラフCLのアプローチを概観し,最近の研究動向を概観する。
論文 参考訳（メタデータ） (2023-02-06T16:59:25Z) - GraphMAE: Self-Supervised Masked Graph Autoencoders [52.06140191214428]
本稿では,自己教師付きグラフ学習における課題を軽減するマスク付きグラフオートエンコーダGraphMAEを提案する。
我々は3つの異なるグラフ学習タスクに対して、21の公開データセットに関する広範な実験を行った。
その結果,GraphMAEはグラフオートエンコーダであり,設計に注意を払っている。
論文 参考訳（メタデータ） (2022-05-22T11:57:08Z) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳（メタデータ） (2022-01-04T18:31:31Z) - Graph Learning: A Survey [38.245120261668816]
本稿では,グラフ学習の現状について概観する。
グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。
テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
論文 参考訳（メタデータ） (2021-05-03T09:06:01Z) - AutoGL: A Library for Automated Graph Learning [67.63587865669372]
グラフ上での機械学習を自動化するための,最初の専用ライブラリであるAutomated Graph Learning(AutoGL)を紹介する。
AutoGLはオープンソースで、使いやすく、拡張も柔軟です。
また、パイプラインのカスタマイズとアプリケーションの強化を容易にする、AutoGLの軽量バージョンであるAutoGL-lightも紹介します。
論文 参考訳（メタデータ） (2021-04-11T10:49:23Z)
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。