論文の概要: Curriculum Graph Machine Learning: A Survey
- arxiv url: http://arxiv.org/abs/2302.02926v1
- Date: Mon, 6 Feb 2023 16:59:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 15:51:30.544371
- Title: Curriculum Graph Machine Learning: A Survey
- Title（参考訳）: カリキュラムグラフ機械学習:調査
- Authors: Haoyang Li, Xin Wang, Wenwu Zhu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 44.23922368378723
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graph machine learning has been extensively studied in both academia and
industry. However, in the literature, most existing graph machine learning
models are designed to conduct training with data samples in a random order,
which may suffer from suboptimal performance due to ignoring the importance of
different graph data samples and their training orders for the model
optimization status. To tackle this critical problem, curriculum graph machine
learning (Graph CL), which integrates the strength of graph machine learning
and curriculum learning, arises and attracts an increasing amount of attention
from the research community. Therefore, in this paper, we comprehensively
overview approaches on Graph CL and present a detailed survey of recent
advances in this direction. Specifically, we first discuss the key challenges
of Graph CL and provide its formal problem definition. Then, we categorize and
summarize existing methods into three classes based on three kinds of graph
machine learning tasks, i.e., node-level, link-level, and graph-level tasks.
Finally, we share our thoughts on future research directions. To the best of
our knowledge, this paper is the first survey for curriculum graph machine
learning.
- Abstract（参考訳）: グラフ機械学習は学術と産業の両方で広く研究されている。
しかしながら、既存のグラフ機械学習モデルの多くは、ランダムな順序でデータサンプルのトレーニングを行うように設計されており、異なるグラフデータサンプルの重要性とモデルの最適化状態のトレーニング順序を無視して、最適でないパフォーマンスを損なう可能性がある。
このような問題に対処するため,グラフ学習とカリキュラム学習の強みを統合したカリキュラムグラフ機械学習(Graph CL)が,研究コミュニティから注目を集めている。
そこで本稿では,グラフclに関するアプローチを包括的に概観し,最近の進歩について詳細な調査を行う。
具体的には、まずGraph CLの重要な課題について論じ、その公式な問題定義を提供する。
そこで我々は,既存の手法をノードレベル,リンクレベル,グラフレベルという3種類のグラフ機械学習タスクに基づいて3つのクラスに分類し,まとめる。
最後に,今後の研究方向性について考察する。
我々の知る限り、この論文はカリキュラムグラフ機械学習における最初の調査である。
関連論文リスト
- 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) - 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) - 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 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) - Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。
当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。
また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文 参考訳（メタデータ） (2022-01-04T18:31:31Z) - 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) - Automated Machine Learning on Graphs: A Survey [81.21692888288658]
本稿では,グラフ上の自動機械学習の体系的かつ包括的レビューを行う。
グラフ機械学習のためのハイパーパラメータ最適化(HPO)とニューラルアーキテクチャ探索(NAS)に注目した。
最後に、自動化グラフ機械学習の今後の研究方向に関する洞察を共有します。
論文 参考訳（メタデータ） (2021-03-01T04:20:33Z)
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。