Exploring Graph Classification Techniques Under Low Data Constraints: A Comprehensive Study

要約

この調査論文は、グラフ データ拡張と少数ショット学習に関する最近の研究の概要を示しています。
ノードとエッジの摂動、グラフの粗大化、グラフ生成などのグラフ データ拡張のためのさまざまな手法と、メタ学習やモデルに依存しないメタ学習などの少数ショット学習の最新の開発について説明します。
この論文では、これらの領域を深く調査し、さらに下位分類を掘り下げます。
ルールベースのアプローチと学習ベースのアプローチは、グラフ拡張技術の下で調査されます。
グラフ上のフューショット学習は、メトリクス学習手法と最適化ベースの手法の観点からも研究されています。
全体として、このペーパーでは、データ量が少ないシナリオで直面するグラフ処理の問題を解決するために使用できる広範なテクニックを提供します。

要約(オリジナル)

This survey paper presents a brief overview of recent research on graph data augmentation and few-shot learning. It covers various techniques for graph data augmentation, including node and edge perturbation, graph coarsening, and graph generation, as well as the latest developments in few-shot learning, such as meta-learning and model-agnostic meta-learning. The paper explores these areas in depth and delves into further sub classifications. Rule based approaches and learning based approaches are surveyed under graph augmentation techniques. Few-Shot Learning on graphs is also studied in terms of metric learning techniques and optimization-based techniques. In all, this paper provides an extensive array of techniques that can be employed in solving graph processing problems faced in low-data scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google