論文の概要: Few-shot Learning on Heterogeneous Graphs: Challenges, Progress, and Prospects

• arxiv url: http://arxiv.org/abs/2403.13834v1
• Date: Sun, 10 Mar 2024 00:43:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:07:37.435721
• Title: Few-shot Learning on Heterogeneous Graphs: Challenges, Progress, and Prospects
• Title（参考訳）: 不均質グラフのわずかな学習 : 挑戦,進歩,展望
• Authors: Pengfei Ding, Yan Wang, Guanfeng Liu,
• Abstract要約: ヘテロジニアスグラフ(FLHG)でのショットラーニングは、学術と産業の両方から注目を集めている。 FLHGは、限られた注釈付きデータに直面したパフォーマンス劣化に対処することを目的としている。 本稿では,既存のFLHG手法を概観し,課題,研究の進展,今後の展望について述べる。
• 参考スコア（独自算出の注目度）: 7.682496639660342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot learning on heterogeneous graphs (FLHG) is attracting more attention from both academia and industry because prevailing studies on heterogeneous graphs often suffer from label sparsity. FLHG aims to tackle the performance degradation in the face of limited annotated data and there have been numerous recent studies proposing various methods and applications. In this paper, we provide a comprehensive review of existing FLHG methods, covering challenges, research progress, and future prospects. Specifically, we first formalize FLHG and categorize its methods into three types: single-heterogeneity FLHG, dual-heterogeneity FLHG, and multi-heterogeneity FLHG. Then, we analyze the research progress within each category, highlighting the most recent and representative developments. Finally, we identify and discuss promising directions for future research in FLHG. To the best of our knowledge, this paper is the first systematic and comprehensive review of FLHG.
• Abstract（参考訳）: ヘテロジニアスグラフ(FLHG)の学習は、異種グラフの研究がしばしばラベルの空間性に悩まされるため、学術と産業の両方から注目が集まっている。 FLHGは、限られた注釈付きデータに直面した性能劣化に対処することを目的としており、近年では様々な方法や応用法が提案されている。 本稿では,既存のFLHG手法の総合的なレビューを行い,課題,研究の進展,今後の展望について述べる。 具体的には,まずFLHGを定式化し,その手法を単一異種FLHG,二重異種FLHG,多異種FLHGの3種類に分類する。 そして、各カテゴリにおける研究の進展を分析し、最新の研究成果と代表的研究成果を明らかにする。 最後に,FLHGにおける今後の研究の方向性を明らかにし,議論する。 我々の知る限り、本論文はFLHGの体系的かつ総合的なレビューとしては初めてのものである。

関連論文リスト

• Deep Graph Anomaly Detection: A Survey and New Perspectives [86.84201183954016]
  グラフ異常検出(GAD)は、異常なグラフインスタンス(ノード、エッジ、サブグラフ、グラフ)を特定することを目的とする。 ディープラーニングアプローチ、特にグラフニューラルネットワーク(GNN)は、GADにとって有望なパラダイムとして現れています。
  論文  参考訳（メタデータ） (2024-09-16T03:05:11Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• 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)
• Few-Shot Causal Representation Learning for Out-of-Distribution Generalization on Heterogeneous Graphs [16.130356170284127]
  ヘテロジニアスグラフ(HGs)におけるラベル空間性問題に対処するヘテロジニアスグラフスショットラーニング(HGFL)が開発されている。 本稿では,新しい因果OOD不均質グラフFew-shot学習モデル,すなわちCOHFを提案する。
  論文  参考訳（メタデータ） (2024-01-07T22:47:38Z)
• Cross-heterogeneity Graph Few-shot Learning [9.80898395055038]
  本稿では,異種間グラフFew-shot Learning,すなわちCGFLの新たなモデルを提案する。 CGFLでは,まず異種情報を取得するメタパターンを抽出する。 そこで我々は,ラベル付きサンプルの情報量を測定するスコアモジュールを提案し,各ソースHGの転送可能性を決定する。
  論文  参考訳（メタデータ） (2023-08-10T01:25:28Z)
• Heterogeneous Federated Learning: State-of-the-art and Research Challenges [117.77132819796105]
  不均一フェデレートラーニング(HFL)はより困難であり、それに対応するソリューションは多様で複雑である。 HFLの新たな進歩を概説し,既存のHFL手法の新たな分類法を提案する。 HFLにおけるいくつかの重要かつ将来的な研究方向性について論じる。
  論文  参考訳（メタデータ） (2023-07-20T06:32:14Z)
• 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)
• A Survey on Heterogeneous Graph Embedding: Methods, Techniques, Applications and Sources [79.48829365560788]
  異種情報ネットワーク (heterogenous information network) としても知られるヘテロジニアスグラフ (HGs) は、現実のシナリオにおいてユビキタス化されている。 HG埋め込みは、下流タスクのための不均一な構造と意味を保ちながら、低次元空間での表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2020-11-30T15:03:47Z)

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。