論文の概要: Few-Shot Learning on Graphs: A Survey

• arxiv url: http://arxiv.org/abs/2203.09308v1
• Date: Thu, 17 Mar 2022 13:21:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 15:17:00.435946
• Title: Few-Shot Learning on Graphs: A Survey
• Title（参考訳）: グラフを用いたマイナショット学習:調査
• Authors: Chuxu Zhang, Kaize Ding, Jundong Li, Xiangliang Zhang, Yanfang Ye, Nitesh V. Chawla, Huan Liu
• Abstract要約: グラフ表現学習は多くの実世界のアプリケーションで顕著な性能を持つため、大きな注目を集めている。 特定のタスクに対する半教師付きグラフ表現学習モデルは、しばしばラベル空間の問題に悩まされる。 限定的なアノテートデータ問題に直面するパフォーマンス劣化に対処するために,FSLG (Few-shot Learning on graphs) が提案されている。
• 参考スコア（独自算出の注目度）: 92.47605211946149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph representation learning has attracted tremendous attention due to its remarkable performance in many real-world applications. However, prevailing (semi-)supervised graph representation learning models for specific tasks often suffer from label sparsity issue as data labeling is always time and resource consuming. In light of this, few-shot learning on graphs (FSLG), which combines the strengths of graph representation learning and few-shot learning together, has been proposed to tackle the performance degradation in face of limited annotated data challenge. There have been many studies working on FSLG recently. In this paper, we comprehensively survey these work in the form of a series of methods and applications. Specifically, we first introduce FSLG challenges and bases, then categorize and summarize existing work of FSLG in terms of three major graph mining tasks at different granularity levels, i.e., node, edge, and graph. Finally, we share our thoughts on some future research directions of FSLG. The authors of this survey have contributed significantly to the AI literature on FSLG over the last few years.
• Abstract（参考訳）: グラフ表現学習は多くの実世界のアプリケーションで顕著な性能を持つため、大きな注目を集めている。 しかし、特定のタスクに対する一般的な(半教師付きグラフ表現学習モデルは、データラベリングが常に時間とリソース消費であるため、ラベル空間の問題に悩まされることが多い。 これを踏まえて,グラフ表現学習の長所と短所学習の長所を組み合わせた,グラフ上の少数ショット学習(fslg)が,限定的な注釈付きデータ課題に直面した性能低下に取り組むために提案されている。 近年,fslgの研究が数多く行われている。 本稿では,これらの研究を一連の手法と応用の形で包括的に調査する。 具体的には、まずFSLGの課題と基盤を紹介し、次に、ノード、エッジ、グラフの3つの異なる粒度レベルでの3つの主要なグラフマイニングタスクの観点から、FSLGの既存の作業の分類と要約を行う。 最後に,FSLGの今後の研究方向性について考察する。 この調査の著者はここ数年、FSLGに関するAI文献に大きく貢献してきた。

関連論文リスト

• Continual Learning on Graphs: Challenges, Solutions, and Opportunities [72.7886669278433]
  本稿では,既存の連続グラフ学習(CGL)アルゴリズムの総合的なレビューを行う。 従来の連続学習手法と比較し,従来の連続学習手法の適用性を分析した。 アクセス可能なアルゴリズムの包括的なリストを含む、最新のリポジトリを維持します。
  論文  参考訳（メタデータ） (2024-02-18T12:24:45Z)
• 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)
• Class-Imbalanced Learning on Graphs: A Survey [16.175306073813235]
  本調査は、グラフ上のクラス不均衡学習(CILG)における最先端の包括的理解を提供することを目的とする。 本稿では,既存の研究の最初の分類法と,既存の不均衡学習文献との関連について紹介する。 我々は、CILGにおける最近の研究を批判的に分析し、このトピックにおける緊急調査の行について論じる。
  論文  参考訳（メタデータ） (2023-04-09T19:21:46Z)
• Counterfactual Learning on Graphs: A Survey [34.47646823407408]
  グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。 グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。 グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
  論文  参考訳（メタデータ） (2023-04-03T21:42:42Z)
• 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)
• 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)
• Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
  グラフ組み込み数ショット学習に関する包括的な研究を紹介します。 本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。 提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
  論文  参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。