論文の概要: Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting

• arxiv url: http://arxiv.org/abs/2402.01440v3
• Date: Sat, 2 Mar 2024 08:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 19:55:25.035650
• Title: Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting
• Title（参考訳）: グラフによる少しのショットラーニング:メタラーニングから事前学習とプロンプト
• Authors: Xingtong Yu, Yuan Fang, Zemin Liu, Yuxia Wu, Zhihao Wen, Jianyuan Bo, Xinming Zhang and Steven C.H. Hoi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.25730255038747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph representation learning, a critical step in graph-centric tasks, has seen significant advancements. Earlier techniques often operate in an end-to-end setting, where performance heavily relies on the availability of ample labeled data. This constraint has spurred the emergence of few-shot learning on graphs, where only a few task-specific labels are available for each task. Given the extensive literature in this field, this survey endeavors to synthesize recent developments, provide comparative insights, and identify future directions. We systematically categorize existing studies into three major families: meta-learning approaches, pre-training approaches, and hybrid approaches, with a finer-grained classification in each family to aid readers in their method selection process. Within each category, we analyze the relationships among these methods and compare their strengths and limitations. Finally, we outline prospective future directions for few-shot learning on graphs to catalyze continued innovation in this field.
• Abstract（参考訳）: グラフ中心のタスクにおける重要なステップであるグラフ表現学習は、大きな進歩を遂げている。 従来の手法はエンドツーエンドで動作し、性能は豊富なラベル付きデータの可用性に大きく依存する。 この制約により、グラフ上の数発の学習が出現し、各タスクで利用可能なタスク固有のラベルはわずかである。 この分野での広範な文献を踏まえ、この調査は、最近の発展を総合し、比較洞察を提供し、将来の方向性を特定するための努力である。 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,各ファミリーの詳細な分類を行い,読者の方法選択プロセスを支援する。 各カテゴリにおいて,これらの手法間の関係を分析し,その強度と限界を比較する。 最後に,この分野におけるイノベーションの継続を触媒するグラフ上での,少数ショット学習の今後の方向性について概説する。

関連論文リスト

• 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)
• A Survey of Graph Meets Large Language Model: Progress and Future Directions [38.63080573825683]
  大規模言語モデル(LLM)は、様々な領域で大きな成功を収めています。 LLMはグラフ関連タスクに活用され、従来のグラフニューラルネットワーク(GNN)ベースの手法を超越している。
  論文  参考訳（メタデータ） (2023-11-21T07:22:48Z)
• 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)
• 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)
• 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)
• Self-supervised on Graphs: Contrastive, Generative,or Predictive [25.679620842010422]
  SSL(Self-supervised Learning)は、よく設計されたプリテキストタスクを通じて有益な知識を抽出するための新しいパラダイムとして登場しています。 既存のグラフSSLメソッドは、コントラスト、生成、予測の3つのカテゴリに分けられる。 また、一般的なデータセット、評価メトリクス、下流タスク、さまざまなアルゴリズムのオープンソース実装をまとめています。
  論文  参考訳（メタデータ） (2021-05-16T03:30:03Z)
• 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)

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。