論文の概要: Continual Learning on Graphs: Challenges, Solutions, and Opportunities
- arxiv url: http://arxiv.org/abs/2402.11565v1
- Date: Sun, 18 Feb 2024 12:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 20:19:35.042412
- Title: Continual Learning on Graphs: Challenges, Solutions, and Opportunities
- Title（参考訳）: グラフ上での継続的学習:挑戦、解決策、機会
- Authors: Xikun Zhang, Dongjin Song, Dacheng Tao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 72.7886669278433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual learning on graph data has recently attracted paramount attention
for its aim to resolve the catastrophic forgetting problem on existing tasks
while adapting the sequentially updated model to newly emerged graph tasks.
While there have been efforts to summarize progress on continual learning
research over Euclidean data, e.g., images and texts, a systematic review of
progress in continual learning on graphs, a.k.a, continual graph learning (CGL)
or lifelong graph learning, is still demanding. Graph data are far more complex
in terms of data structures and application scenarios, making CGL task
settings, model designs, and applications extremely challenging. To bridge the
gap, we provide a comprehensive review of existing continual graph learning
(CGL) algorithms by elucidating the different task settings and categorizing
the existing methods based on their characteristics. We compare the CGL methods
with traditional continual learning techniques and analyze the applicability of
the traditional continual learning techniques to CGL tasks. Additionally, we
review the benchmark works that are crucial to CGL research. Finally, we
discuss the remaining challenges and propose several future directions. We will
maintain an up-to-date GitHub repository featuring a comprehensive list of CGL
algorithms, accessible at
https://github.com/UConn-DSIS/Survey-of-Continual-Learning-on-Graphs.
- Abstract（参考訳）: グラフデータに対する連続学習は,新たに出現したグラフタスクに逐次更新されたモデルを適用しつつ,既存のタスクにおける破滅的な忘れの問題を解決することを目的として,近年注目されている。
ユークリッドデータの連続学習研究(画像やテキストなど)の進展を要約する努力が続けられているが、連続グラフ学習(CGL)や生涯グラフ学習(英語版)といった連続学習の体系的レビューは依然として求められている。
グラフデータは、データ構造やアプリケーションのシナリオに関してはるかに複雑で、CGLタスクの設定、モデル設計、アプリケーションは非常に困難です。
このギャップを埋めるために,既存の連続グラフ学習(CGL)アルゴリズムを網羅的にレビューし,その特徴に基づいてタスク設定を解明し,既存の手法を分類する。
CGL手法を従来の連続学習手法と比較し、従来の連続学習手法をCGLタスクに適用可能であるか分析する。
さらに、我々はCGL研究に不可欠なベンチマーク作業についてレビューする。
最後に,残る課題を議論し,今後の方向性を提案する。
CGLアルゴリズムの包括的なリストは、https://github.com/UConn-DSIS/Survey-of-Continual-Learning-on-Graphsで参照できます。
関連論文リスト
- E-CGL: An Efficient Continual Graph Learner [30.757231591601997]
連続的なグラフ学習では、グラフはストリーミンググラフデータに基づいて進化する。
連続グラフ学習は適応的かつ効率的なグラフ学習法を必要とする独特な課題を示す。
本稿では,効率的な連続グラフ学習器(E-CGL)について述べる。
論文 参考訳（メタデータ） (2024-08-18T04:10:30Z) - 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) - SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。
まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。
次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文 参考訳（メタデータ） (2023-08-03T07:00:04Z) - Counterfactual Learning on Graphs: A Survey [34.47646823407408]
グラフニューラルネットワーク(GNN)は,グラフ上での表現学習において大きな成功を収めている。
グラフ上のカウンターファクトラーニングは、これらの欠点を緩和する有望な結果を示している。
グラフ上の反ファクトフェアネス、説明可能性、リンク予測など、様々な手法が提案されている。
論文 参考訳（メタデータ） (2023-04-03T21:42:42Z) - 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) - 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) - CogDL: A Comprehensive Library for Graph Deep Learning [55.694091294633054]
研究者や実践者が実験を行い、メソッドを比較し、簡単かつ効率的にアプリケーションを構築することができるグラフ深層学習ライブラリであるCogDLを紹介します。
CogDLでは,様々なグラフタスクに対するGNNモデルのトレーニングと評価のための統一設計を提案し,既存のグラフ学習ライブラリに固有のものである。
我々はCogDLのための効率的なスパース演算子を開発し、効率性のための最も競争力のあるグラフライブラリとなる。
論文 参考訳（メタデータ） (2021-03-01T12:35:16Z) - 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) - Iterative Deep Graph Learning for Graph Neural Networks: Better and
Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。
実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文 参考訳（メタデータ） (2020-06-21T19:49:15Z)
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。