Mar, 2024

异构图上的小样本学习：挑战、进展和前景

PDF
TL;DR少样本学习与异构图 (FLHG) 的研究引起了学术界和工业界的广泛关注，该研究旨在解决异构图中标签稀疏性导致的性能下降问题。本文从单一异构性 FLHG、双重异构性 FLHG 和多重异构性 FLHG 三个分类角度对现有 FLHG 方法进行全面综述，并分析每个分类中的研究进展，突出最新的和具有代表性的发展。最后，我们确定并探讨了 FLHG 未来研究的有希望的方向。据我们所知，本文是第一篇系统全面综述 FLHG 的论文。
发现论文，激发创造
  • 异构图跨领域少样本学习

    跨异构图少样本学习中，提出了一种新模型 CGFL，利用 MHGN 和得分模块来有效地捕捉异构信息、测量标记样本的信息量并确定每个源异构图的可转移性，从而在少样本数据中传递广义知识以预测新类别。通过对四个真实世界数据集的广泛实验，证明了 CGFL 相对于现有方法的卓越性能。

    Aug, 2023

  • 异质图上的少样本因果表示学习与越域泛化

    COHF 是一种新颖的因果关系离群值异构图少样本学习模型，通过结构因果模型和变分自动编码器异构图神经网络的组合，有效地解决了异构图少样本学习中因分布偏移导致的超出分布泛化问题。对于在七个真实世界数据集上的实验证明了 COHF 相较于现有方法具有更出色的性能。

    Jan, 2024

  • 异构联邦学习：现状与研究挑战

    通过对异构联邦学习中的研究挑战和最新方法的概述，提出了一种新的现有方法分类法，并讨论了异构联邦学习的关键和具有潜力的未来研究方向。

    Jul, 2023

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023

  • 异构图嵌入综述：方法、技术、应用和来源

    本文综述了近年来异构图嵌入方法和技术的发展，并系统地归类了各种学习方法来解决异构性带来的挑战，探索了不同类型的应用中使用嵌入方法的可行性，总结了开源代码、现有的图学习平台和基准数据集，预测了未来的研究方向。

    Nov, 2020

  • 图中的少样本学习：从元学习到预训练和提示

    综合分析了最近的 Graph 表示学习的发展情况，并提供了比较和未来方向，将现有研究系统分类为元学习方法、预训练方法和混合方法，并比较它们的优势和局限性，为 Few-shot 学习在图上的未来方向提供了引导。

    Feb, 2024

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • 迈向异质图学习的进展与未来

    本文综述了关于从异质图中学习的现有研究成果，包括图的学习策略、模型架构和应用案例，并探讨了现有研究的主要挑战和未来研究的有希望方向。

    Jan, 2024

  • 在低数据约束下探究图分类技术：一项综合研究

    本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

    Nov, 2023