論文の概要: Graph Learning: A Comprehensive Survey and Future Directions

• arxiv url: http://arxiv.org/abs/2212.08966v1
• Date: Sat, 17 Dec 2022 22:05:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-20 17:04:40.765744
• Title: Graph Learning: A Comprehensive Survey and Future Directions
• Title（参考訳）: グラフ学習:包括的調査と今後の方向性
• Authors: Shaopeng Wei, Yu Zhao
• Abstract要約: グラフ学習は、ノード間の複雑な関係とグラフのトポロジ的構造を学習することを目的としている。 グラフ学習はグラフ理論からグラフデータマイニングへと発展し、現在では表現学習によって強化されている。 現実世界の幅広い応用の見通しのため、グラフ学習は機械学習において人気があり、有望な領域となっている。
• 参考スコア（独自算出の注目度）: 1.5138755188783584
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph learning aims to learn complex relationships among nodes and the topological structure of graphs, such as social networks, academic networks and e-commerce networks, which are common in the real world. Those relationships make graphs special compared with traditional tabular data in which nodes are dependent on non-Euclidean space and contain rich information to explore. Graph learning developed from graph theory to graph data mining and now is empowered with representation learning, making it achieve great performances in various scenarios, even including text, image, chemistry, and biology. Due to the broad application prospects in the real world, graph learning has become a popular and promising area in machine learning. Thousands of works have been proposed to solve various kinds of problems in graph learning and is appealing more and more attention in academic community, which makes it pivotal to survey previous valuable works. Although some of the researchers have noticed this phenomenon and finished impressive surveys on graph learning. However, they failed to link related objectives, methods and applications in a more logical way and cover current ample scenarios as well as challenging problems due to the rapid expansion of the graph learning.
• Abstract（参考訳）: グラフ学習は,ノード間の複雑な関係や,ソーシャルネットワークや学術ネットワーク,eコマースネットワークといったグラフのトポロジ的構造を学ぶことを目的としている。 これらの関係は、ノードが非ユークリッド空間に依存し、探索する豊富な情報を含む伝統的な表データと比較する。 グラフ理論からグラフデータマイニングへ発展したグラフ学習は、今や表現学習に力を与えており、テキスト、画像、化学、生物学を含む様々なシナリオで優れたパフォーマンスを達成している。 現実世界の幅広い応用の見通しのため、グラフ学習は機械学習において人気があり、有望な領域となっている。 グラフ学習における様々な問題を解決するために、何千もの研究が提案されており、学術界ではますます注目を集めている。 一部の研究者はこの現象に気づき、グラフ学習に関する素晴らしい調査を終えた。 しかし、彼らは関連する目的や手法、アプリケーションをより論理的な方法でリンクすることに失敗し、現在の十分なシナリオとグラフ学習の急速な拡張による課題をカバーできなかった。

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 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)
• 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 Lifelong Learning: A Survey [6.545297572977323]
  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。
  論文  参考訳（メタデータ） (2022-02-22T06:14:07Z)
• 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)
• A Survey of Adversarial Learning on Graphs [59.21341359399431]
  本稿では,グラフ逆学習タスクに関する既存の研究を考察し,要約する。 具体的には、グラフ解析タスクにおける攻撃と防御に関する既存の作業を調査し、統一する。 我々は、関連する評価指標の重要性を強調し、それらを総合的に調査し、要約する。
  論文  参考訳（メタデータ） (2020-03-10T12:48:00Z)

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。