論文の概要: Data Augmentation on Graphs: A Technical Survey

• arxiv url: http://arxiv.org/abs/2212.09970v3
• Date: Fri, 21 Jun 2024 05:50:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-24 20:54:41.635433
• Title: Data Augmentation on Graphs: A Technical Survey
• Title（参考訳）: Data Augmentation on Graphs: A Technical Survey
• Authors: Jiajun Zhou, Chenxuan Xie, Shengbo Gong, Zhenyu Wen, Xiangyu Zhao, Qi Xuan, Xiaoniu Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.15025123705249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, graph representation learning has achieved remarkable success while suffering from low-quality data problems. As a mature technology to improve data quality in computer vision, data augmentation has also attracted increasing attention in graph domain. To advance research in this emerging direction, this survey provides a comprehensive review and summary of existing graph data augmentation (GDAug) techniques. Specifically, this survey first provides an overview of various feasible taxonomies and categorizes existing GDAug studies based on multi-scale graph elements. Subsequently, for each type of GDAug technique, this survey formalizes standardized technical definition, discuss the technical details, and provide schematic illustration. The survey also reviews domain-specific graph data augmentation techniques, including those for heterogeneous graphs, temporal graphs, spatio-temporal graphs, and hypergraphs. In addition, this survey provides a summary of available evaluation metrics and design guidelines for graph data augmentation. Lastly, it outlines the applications of GDAug at both the data and model levels, discusses open issues in the field, and looks forward to future directions. The latest advances in GDAug are summarized in GitHub.
• Abstract（参考訳）: 近年、グラフ表現学習は、低品質のデータ問題に悩まされ、目覚ましい成功を収めている。 コンピュータビジョンにおけるデータ品質向上のための成熟した技術として、データ拡張はグラフ領域においても注目を集めている。 この新たな方向性の研究を進めるために、この調査は既存のグラフデータ拡張(GDAug)技術に関する包括的なレビューと概要を提供する。 具体的には、まず、様々な可能な分類の概観を示し、既存のGDAug研究をマルチスケールグラフ要素に基づいて分類する。 その後、GDAugの各技術について、標準化された技術定義を定式化し、技術的詳細を議論し、図表を提供する。 調査ではまた、異種グラフ、時間グラフ、時空間グラフ、ハイパーグラフなど、ドメイン固有のグラフデータ拡張技術についてもレビューしている。 さらに、この調査は、グラフデータ拡張のための利用可能な評価指標と設計ガイドラインの要約を提供する。 最後に、GDAugの応用をデータレベルとモデルレベルの両方で概説し、この分野におけるオープンな問題について議論し、今後の方向性を楽しみにしています。 GDAugの最新の進歩はGitHubで要約されている。

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)
• 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)
• Exploring Graph Classification Techniques Under Low Data Constraints: A Comprehensive Study [0.0]
  ノードとエッジの摂動、グラフの粗大化、グラフ生成など、グラフデータの増大のためのさまざまなテクニックをカバーしている。 本稿は、これらの領域を深く探求し、さらに下位分類に着目する。 低データシナリオで直面するグラフ処理問題の解決に使用できる、幅広いテクニックの配列を提供する。
  論文  参考訳（メタデータ） (2023-11-21T17:23:05Z)
• 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)
• 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)
• Few-Shot Learning on Graphs: A Survey [92.47605211946149]
  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。
  論文  参考訳（メタデータ） (2022-03-17T13:21:11Z)
• Graph Data Augmentation for Graph Machine Learning: A Survey [19.372562034069084]
  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。
  論文  参考訳（メタデータ） (2022-02-17T19:14:17Z)
• 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。