論文の概要: Graph Data Augmentation for Graph Machine Learning: A Survey

• arxiv url: http://arxiv.org/abs/2202.08871v1
• Date: Thu, 17 Feb 2022 19:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 23:59:15.952298
• Title: Graph Data Augmentation for Graph Machine Learning: A Survey
• Title（参考訳）: グラフ機械学習のためのグラフデータ拡張:調査
• Authors: Tong Zhao, Gang Liu, Stephan G\"unnemann, Meng Jiang
• Abstract要約: 本研究の目的は,グラフデータ拡張における既存文献の展望を明らかにすることであり,この領域における追加研究の動機付けである。 まず、修正または作成するグラフデータのコンポーネントに基づいて、グラフデータ拡張操作を分類する。 次に,グラフデータ拡張の最近の進歩を紹介し,その学習目標と方法論によって分離する。
• 参考スコア（独自算出の注目度）: 19.372562034069084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data augmentation has recently seen increased interest in graph machine learning given its ability of creating extra training data and improving model generalization. Despite this recent upsurge, this area is still relatively underexplored, due to the challenges brought by complex, non-Euclidean structure of graph data, which limits the direct analogizing of traditional augmentation operations on other types of data. In this paper, we present a comprehensive and systematic survey of graph data augmentation that summarizes the literature in a structured manner. We first categorize graph data augmentation operations based on the components of graph data they modify or create. Next, we introduce recent advances in graph data augmentation, separating by their learning objectives and methodologies. We conclude by outlining currently unsolved challenges as well as directions for future research. Overall, this paper aims to clarify the landscape of existing literature in graph data augmentation and motivate additional work in this area. We provide a GitHub repository (https://github.com/zhao-tong/graph-data-augmentation-papers) with a reading list that will be continuously updated.
• Abstract（参考訳）: データ拡張は、追加のトレーニングデータを作成し、モデルの一般化を改善する能力から、グラフ機械学習への関心が高まっている。 グラフデータの複雑で非ユークリッド的な構造によって引き起こされる課題により、従来の拡張操作を他の種類のデータに直接類似化することが制限されるため、この領域は依然として過小評価されている。 本稿では,文献を構造化的に要約したグラフデータ拡張の包括的かつ体系的な調査を行う。 まず,変更や生成したグラフデータのコンポーネントに基づいて,グラフデータの拡張操作を分類する。 次に,グラフデータ拡張の最近の進歩を紹介し,その学習目標と方法論によって分離する。 現在未解決の課題と今後の研究の方向性を概説する。 全体として,グラフデータ拡張における既存文献の展望を明らかにし,この分野における追加作業を動機付けることを目的としている。 私たちはgithubリポジトリ(https://github.com/zhao-tong/graph-data-augmentation-papers)と読み込みリストを提供し、継続的に更新します。

関連論文リスト

• Parametric Graph Representations in the Era of Foundation Models: A Survey and Position [69.48708136448694]
  グラフは、包括的なリレーショナルデータをモデル化するために、過去数十年間、ビッグデータとAIで広く使われてきた。 有意義なグラフ法則の同定は、様々な応用の有効性を著しく向上させることができる。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Graph data augmentation with Gromow-Wasserstein Barycenters [0.0]
  非ユークリッド空間で動作するグラフに対する新たな拡張戦略が提案されている。 非ユークリッド距離、特にグロモウ=ワッサーシュタイン距離は、グラフンのより良い近似をもたらす。 このフレームワークはまた、異なるグラフオン推定アプローチを検証する手段を提供する。
  論文  参考訳（メタデータ） (2024-04-12T10:22:55Z)
• A Survey of Data-Efficient Graph Learning [16.053913182723143]
  研究フロンティアとして,データ効率グラフ学習(DEGL)の新たな概念を紹介した。 我々は、自己教師付きグラフ学習、半教師付きグラフ学習、少数ショットグラフ学習など、いくつかの重要な側面に関する最近の進歩を体系的にレビューした。
  論文  参考訳（メタデータ） (2024-02-01T09:28:48Z)
• Graph Domain Adaptation: Challenges, Progress and Prospects [61.9048172631524]
  本稿では,グラフ間の効果的な知識伝達パラダイムとしてグラフ領域適応を提案する。 GDAは、ソースグラフとしてタスク関連のグラフを多数導入し、ソースグラフから学習した知識をターゲットグラフに適応させる。 研究状況と課題について概説し、分類学を提案し、代表作の詳細を紹介し、今後の展望について論じる。
  論文  参考訳（メタデータ） (2024-02-01T02:44:32Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• A Comprehensive Survey on Graph Summarization with Graph Neural Networks [21.337505372979066]
  過去には、グラフの最も重要な部分を統計的に捉えるために、ほとんどのグラフ要約技術が試みられていた。 今日では、現代のグラフデータの高次元性と複雑さにより、ディープラーニング技術がより普及している。 我々の調査は、GNN、畳み込みGNN、グラフオートエンコーダ、グラフアテンションネットワークなど、現在の最先端アプローチのレビューを含む。
  論文  参考訳（メタデータ） (2023-02-13T05:43:24Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Data Augmentation on Graphs: A Technical Survey [22.15025123705249]
  グラフ表現学習は、低品質のデータ問題に悩まされている間、目覚ましい成功を収めた。 データ拡張もグラフ領域で注目を集めている。 この調査は、グラフデータ拡張手法の包括的なレビューと概要を提供する。
  論文  参考訳（メタデータ） (2022-12-20T02:51:28Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• Data Augmentation for Deep Graph Learning: A Survey [66.04015540536027]
  まず,グラフデータ拡張のための分類法を提案し,その拡張情報モダリティに基づいて関連研究を分類し,構造化されたレビューを提供する。 DGLにおける2つの課題(すなわち、最適グラフ学習と低リソースグラフ学習)に焦点を当て、グラフデータ拡張に基づく既存の学習パラダイムについて議論し、レビューする。
  論文  参考訳（メタデータ） (2022-02-16T18:30:33Z)

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。