論文の概要: Class-Imbalanced Learning on Graphs: A Survey
- arxiv url: http://arxiv.org/abs/2304.04300v1
- Date: Sun, 9 Apr 2023 19:21:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 16:23:03.963294
- Title: Class-Imbalanced Learning on Graphs: A Survey
- Title（参考訳）: グラフ上のクラス不均衡学習:調査
- Authors: Yihong Ma, Yijun Tian, Nuno Moniz, Nitesh V. Chawla
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 16.175306073813235
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement in data-driven research has increased the demand for
effective graph data analysis. However, real-world data often exhibits class
imbalance, leading to poor performance of machine learning models. To overcome
this challenge, class-imbalanced learning on graphs (CILG) has emerged as a
promising solution that combines the strengths of graph representation learning
and class-imbalanced learning. In recent years, significant progress has been
made in CILG. Anticipating that such a trend will continue, this survey aims to
offer a comprehensive understanding of the current state-of-the-art in CILG and
provide insights for future research directions. Concerning the former, we
introduce the first taxonomy of existing work and its connection to existing
imbalanced learning literature. Concerning the latter, we critically analyze
recent work in CILG and discuss urgent lines of inquiry within the topic.
Moreover, we provide a continuously maintained reading list of papers and code
at https://github.com/yihongma/CILG-Papers.
- Abstract（参考訳）: データ駆動研究の急速な進歩は、効果的なグラフデータ分析の需要を増加させた。
しかし、実世界のデータはしばしばクラス不均衡を示し、機械学習モデルの性能が低下する。
この課題を克服するために、グラフ表現学習とクラス不均衡学習の強みを組み合わせた有望なソリューションとして、グラフ上のクラス不均衡学習(CILG)が登場した。
近年、CILGは大きな進歩を遂げている。
このような傾向が続くことを期待して、この調査はCILGの現状を包括的に把握し、今後の研究方向性に対する洞察を提供することを目的としている。
前者については,既存の著作の最初の分類と,既存の不均衡学習文献との関連について紹介する。
後者については、CILGにおける最近の研究を批判的に分析し、そのトピックにおける緊急調査の行について論じる。
さらに https://github.com/yihongma/CILG-Papers.com で継続的に維持されている論文やコードの読み込みリストを提供する。
関連論文リスト
- Towards Graph Contrastive Learning: A Survey and Beyond [23.109430624817637]
グラフ上の自己教師型学習(SSL)が注目され、大きな進歩を遂げている。
SSLは、未ラベルのグラフデータから情報表現を生成する機械学習モデルを可能にする。
グラフコントラスト学習(GCL)は既存の文献では十分に研究されていない。
論文 参考訳（メタデータ） (2024-05-20T08:19:10Z) - 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) - Few-Shot Learning on Graphs: from Meta-learning to Pre-training and
Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。
我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。
これらの手法間の関係を解析し,その強みと限界を比較する。
論文 参考訳（メタデータ） (2024-02-02T14:32:42Z) - 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) - A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and
Future Directions [64.84521350148513]
グラフは、現実世界の無数に存在する相互接続構造を表す。
グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。
しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。
これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
論文 参考訳（メタデータ） (2023-08-26T09:11:44Z) - Deep learning for dynamic graphs: models and benchmarks [16.851689741256912]
近年,Deep Graph Networks (DGNs) の研究が進展し,グラフ上の学習領域が成熟した。
この研究分野の成長にもかかわらず、まだ解決されていない重要な課題がまだ残っている。
論文 参考訳（メタデータ） (2023-07-12T12:02:36Z) - 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) - Continual Graph Learning: A Survey [4.618696834991205]
連続学習(CL)の研究は主にユークリッド空間で表されるデータに焦点を当てている。
ほとんどのグラフ学習モデルは静的グラフ用に調整されている。
グラフ学習モデルが漸進的にトレーニングされるとき、破滅的な忘れ方も現れます。
論文 参考訳（メタデータ） (2023-01-28T15:42:49Z) - 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) - 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。