Few-Shot Learning on Graphs: from Meta-learning to Pre-training and Prompting

要約

グラフ中心のタスクにおいて重要なステップであるグラフ表現学習は、大きな進歩を遂げている。以前の技術はエンド・ツー・エンドの設定で動作することが多く、性能は十分なラベル付きデータが利用できるかどうかに大きく依存していた。この制約が、各タスクに対して数個のタスク固有のラベルしか利用できない、グラフ上の数ショット学習の出現に拍車をかけている。この分野における広範な文献を考慮し、本サーベイでは、最近の開発を統合し、比較考察を提供し、将来の方向性を明らかにすることを目的とする。我々は、既存の研究を、メタ学習アプローチ、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する。各カテゴリーの中で、これらの手法間の関係を分析し、それぞれの長所と限界を比較する。最後に、この分野での継続的な技術革新を促進するために、グラフ上での少数点学習の将来的な方向性について概説する。

要約(オリジナル)

Graph representation learning, a critical step in graph-centric tasks, has seen significant advancements. Earlier techniques often operate in an end-to-end setting, where performance heavily relies on the availability of ample labeled data. This constraint has spurred the emergence of few-shot learning on graphs, where only a few task-specific labels are available for each task. Given the extensive literature in this field, this survey endeavors to synthesize recent developments, provide comparative insights, and identify future directions. We systematically categorize existing studies into three major families: meta-learning approaches, pre-training approaches, and hybrid approaches, with a finer-grained classification in each family to aid readers in their method selection process. Within each category, we analyze the relationships among these methods and compare their strengths and limitations. Finally, we outline prospective future directions for few-shot learning on graphs to catalyze continued innovation in this field.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL