論文の概要: Graph Lifelong Learning: A Survey

• arxiv url: http://arxiv.org/abs/2202.10688v1
• Date: Tue, 22 Feb 2022 06:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-24 02:24:50.064405
• Title: Graph Lifelong Learning: A Survey
• Title（参考訳）: グラフ生涯学習:調査
• Authors: Falih Gozi Febrinanto, Feng Xia, Kristen Moore, Chandra Thapa, Charu Aggarwal
• Abstract要約: 本稿では,グラフ生涯学習のモチベーション,ポテンシャル,最先端のアプローチ,オープンな課題について論じる。 我々はこの新興分野に対する広範な研究と開発への関心を期待する。
• 参考スコア（独自算出の注目度）: 6.545297572977323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph learning substantially contributes to solving artificial intelligence (AI) tasks in various graph-related domains such as social networks, biological networks, recommender systems, and computer vision. However, despite its unprecedented prevalence, addressing the dynamic evolution of graph data over time remains a challenge. In many real-world applications, graph data continuously evolves. Current graph learning methods that assume graph representation is complete before the training process begins are not applicable in this setting. This challenge in graph learning motivates the development of a continuous learning process called graph lifelong learning to accommodate the future and refine the previous knowledge in graph data. Unlike existing survey papers that focus on either lifelong learning or graph learning separately, this survey paper covers the motivations, potentials, state-of-the-art approaches (that are well categorized), and open issues of graph lifelong learning. We expect extensive research and development interest in this emerging field.
• Abstract（参考訳）: グラフ学習は、ソーシャルネットワーク、生物学的ネットワーク、レコメンダシステム、コンピュータビジョンなど、さまざまなグラフ関連領域における人工知能(AI)タスクの解決に大きく貢献する。 しかし、前例のない流行にもかかわらず、時間とともにグラフデータの動的進化に対処することは依然として課題である。 多くの現実世界のアプリケーションでは、グラフデータが継続的に進化します。 トレーニング開始前にグラフ表現が完了すると仮定した現在のグラフ学習方法は、この設定では適用できない。 グラフ学習におけるこの課題は、グラフデータにおけるこれまでの知識を洗練するために、グラフライフロングラーニングと呼ばれる継続的学習プロセスの開発を動機付ける。 生涯学習とグラフ学習を別々に扱う既存の調査論文とは異なり、この調査論文では、その動機、ポテンシャル、最先端のアプローチ(適切に分類されている)、およびグラフ生涯学習のオープンな課題について取り上げる。 我々はこの新興分野に対する広範な研究と開発への関心を期待する。

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)
• 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)
• 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)
• 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)
• 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)
• Graph Learning and Its Advancements on Large Language Models: A Holistic Survey [37.01696685233113]
  この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。 グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
  論文  参考訳（メタデータ） (2022-12-17T22:05:07Z)
• 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)
• 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)
• Graph Self-Supervised Learning: A Survey [73.86209411547183]
  SSL(Self-supervised Learning)は、グラフデータの有望でトレンドの学習パラダイムとなっています。 グラフデータにSSL技術を用いた既存のアプローチをタイムリーかつ包括的にレビューします。
  論文  参考訳（メタデータ） (2021-02-27T03:04:21Z)

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。