論文の概要: Graph Prompt Learning: A Comprehensive Survey and Beyond
- arxiv url: http://arxiv.org/abs/2311.16534v1
- Date: Tue, 28 Nov 2023 05:36:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 19:50:59.121726
- Title: Graph Prompt Learning: A Comprehensive Survey and Beyond
- Title（参考訳）: Graph Prompt Learning: 総合的な調査とその先
- Authors: Xiangguo Sun, Jiawen Zhang, Xixi Wu, Hong Cheng, Yun Xiong, Jia Li
- Abstract要約: 本稿では,AGI(Artificial General Intelligence)におけるグラフプロンプトの出現領域に関する先駆的な調査を紹介する。
本稿では,グラフ領域におけるプロンプトトークン,トークン構造,挿入パターンを明確にし,グラフプロンプト学習を理解するための統一的なフレームワークを提案する。
包括的な分類学では、この分野の100以上の著作を分類し、ノードレベル、エッジレベル、グラフレベルの目的にまたがる事前学習タスクと整合させる。
- 参考スコア（独自算出の注目度）: 24.64987655155218
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial General Intelligence (AGI) has revolutionized numerous fields, yet
its integration with graph data, a cornerstone in our interconnected world,
remains nascent. This paper presents a pioneering survey on the emerging domain
of graph prompts in AGI, addressing key challenges and opportunities in
harnessing graph data for AGI applications. Despite substantial advancements in
AGI across natural language processing and computer vision, the application to
graph data is relatively underexplored. This survey critically evaluates the
current landscape of AGI in handling graph data, highlighting the distinct
challenges in cross-modality, cross-domain, and cross-task applications
specific to graphs. Our work is the first to propose a unified framework for
understanding graph prompt learning, offering clarity on prompt tokens, token
structures, and insertion patterns in the graph domain. We delve into the
intrinsic properties of graph prompts, exploring their flexibility,
expressiveness, and interplay with existing graph models. A comprehensive
taxonomy categorizes over 100 works in this field, aligning them with
pre-training tasks across node-level, edge-level, and graph-level objectives.
Additionally, we present, ProG, a Python library, and an accompanying website,
to support and advance research in graph prompting. The survey culminates in a
discussion of current challenges and future directions, offering a roadmap for
research in graph prompting within AGI. Through this comprehensive analysis, we
aim to catalyze further exploration and practical applications of AGI in graph
data, underlining its potential to reshape AGI fields and beyond. ProG and the
website can be accessed by
\url{https://github.com/WxxShirley/Awesome-Graph-Prompt}, and
\url{https://github.com/sheldonresearch/ProG}, respectively.
- Abstract（参考訳）: ai(artificial general intelligence, agi)は、多くの分野に革命をもたらしたが、そのグラフデータとの統合は、相互接続された世界の基礎である。
本稿では、AGIにおけるグラフプロンプトの出現領域に関する先駆的な調査を行い、AGIアプリケーションにおいてグラフデータを活用する上での重要な課題と機会に対処する。
自然言語処理とコンピュータビジョンにおけるAGIの大幅な進歩にもかかわらず、グラフデータへの応用は比較的過小評価されている。
この調査は、グラフデータを扱うAGIの現在の状況を批判的に評価し、グラフ固有のクロスモダリティ、クロスドメイン、クロスタスクアプリケーションにおける異なる課題を強調します。
私たちの研究は、グラフのプロンプト学習を理解し、プロンプトトークン、トークン構造、グラフ領域の挿入パターンを明確にするための統一的なフレームワークを最初に提案しました。
グラフプロンプトの固有の特性を調べ、その柔軟性、表現力、既存のグラフモデルとの相互作用を探求する。
包括的分類学はこの分野で100以上の作品を分類し、ノードレベル、エッジレベル、グラフレベルの目標をまたいだ事前学習タスクに分類する。
さらに、グラフプロンプトの研究を支援するために、PythonライブラリであるProGと、それに付随するWebサイトを紹介します。
この調査は、現在の課題と今後の方向性について議論し、AGI内でグラフプロンプトの研究のロードマップを提供する。
この包括的分析を通じて、グラフデータにおけるAGIのさらなる探索と実践的応用を触媒し、AGIフィールドを再構築する可能性を明確にする。
ProGとWebサイトは、それぞれ \url{https://github.com/WxxShirley/Awesome-Graph-Prompt} と \url{https://github.com/sheldonresearch/ProG} でアクセスできる。
関連論文リスト
- Graph Retrieval-Augmented Generation: A Survey [28.979898837538958]
Retrieval-Augmented Generation (RAG)は、大規模言語モデル(LLM)の課題に再トレーニングを必要とせずに対処することに成功した。
本稿では,GraphRAGの方法論について概観する。
Graph-Based Indexing、Graph-Guided Retrieval、Graph-Enhanced Generationを含むGraphRAGワークフローを形式化する。
論文 参考訳（メタデータ） (2024-08-15T12:20:24Z) - OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。
主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。
この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文 参考訳（メタデータ） (2024-03-02T08:05:03Z) - G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。
一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。
G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
論文 参考訳（メタデータ） (2024-02-12T13:13:04Z) - 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) - A Study on Knowledge Graph Embeddings and Graph Neural Networks for Web
Of Things [0.0]
将来的には、Web Of Things(WoT)の領域における知識グラフは、物理世界のデジタル表現を提供することである。
本稿では,グラフエンティティの数値表現を学習するために,最先端知識グラフ埋め込み(KGE)法について検討する。
また、KGEとともにグラフニューラルネットワーク(GNN)を調査し、同じ下流タスクでの性能を比較する。
論文 参考訳（メタデータ） (2023-10-23T12:36:33Z) - 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) - 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) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。
自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。
3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-06-17T16:18:35Z)
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。