論文の概要: Continual Learning on Graphs: A Survey

• arxiv url: http://arxiv.org/abs/2402.06330v1
• Date: Fri, 9 Feb 2024 11:09:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-12 17:18:46.190632
• Title: Continual Learning on Graphs: A Survey
• Title（参考訳）: グラフ上での連続学習:調査
• Authors: Zonggui Tian, Du Zhang, and Hong-Ning Dai
• Abstract要約: 我々は,破滅的な忘れを克服する観点から,連続グラフ学習の新しい分類法を導入する。 本研究では,これらの連続グラフ学習手法を連続的な性能向上に応用することの課題を系統的に分析する。 連続的なグラフ学習の発展に関連するオープンな課題と今後の方向性を示し、それが連続的なパフォーマンス改善にどのように影響するかについて議論する。
• 参考スコア（独自算出の注目度）: 11.299379437117572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, continual graph learning has been increasingly adopted for diverse graph-structured data processing tasks in non-stationary environments. Despite its promising learning capability, current studies on continual graph learning mainly focus on mitigating the catastrophic forgetting problem while ignoring continuous performance improvement. To bridge this gap, this article aims to provide a comprehensive survey of recent efforts on continual graph learning. Specifically, we introduce a new taxonomy of continual graph learning from the perspective of overcoming catastrophic forgetting. Moreover, we systematically analyze the challenges of applying these continual graph learning methods in improving performance continuously and then discuss the possible solutions. Finally, we present open issues and future directions pertaining to the development of continual graph learning and discuss how they impact continuous performance improvement.
• Abstract（参考訳）: 近年,非定常環境におけるグラフ構造化データ処理タスクに連続的なグラフ学習が採用されている。 有望な学習能力にもかかわらず、連続グラフ学習に関する現在の研究は主に、継続的なパフォーマンス改善を無視しながら破滅的な忘れの問題を軽減することに焦点を当てている。 このギャップを埋めるため,本稿では,最近の連続グラフ学習の取り組みに関する総合的な調査を行う。 具体的には,破滅的な忘れを克服する観点から,連続的グラフ学習の新しい分類法を提案する。 さらに,連続グラフ学習手法を継続的に改善するための課題を体系的に分析し,その解決策について考察する。 最後に,連続的なグラフ学習の開発に関するオープンな課題と今後の方向性を示し,それが連続的なパフォーマンス改善に与える影響について論じる。

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)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• 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)
• 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 Lifelong Learning: A Survey [6.545297572977323]
  本稿では,グラフ生涯学習のモチベーション,ポテンシャル,最先端のアプローチ,オープンな課題について論じる。 我々はこの新興分野に対する広範な研究と開発への関心を期待する。
  論文  参考訳（メタデータ） (2022-02-22T06:14:07Z)
• 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。