图小样本学习综述：从元学习到预训练与提示学习
机器学习
2024-09-23 v4 人工智能
社会与信息网络
摘要
图表示学习作为以图为中心任务中的关键步骤，已取得显著进展。早期技术通常在端到端设置下运行，严重依赖大量标注数据的可用性。这一限制催生了图小样本学习的出现，即每个任务仅有少量标签可用。鉴于该领域文献广泛，本综述旨在综合近期进展，提供比较性见解，并指明未来方向。我们基于两大分类法对现有研究进行系统分类：（1）问题分类法，探讨不同类型的数据稀缺问题及其应用；（2）技术分类法，详述解决这些数据稀缺小样本问题的关键策略。这些技术可大致分为元学习、预训练和混合方法，并在每个类别中进行更细粒度的分类，以帮助读者进行方法选择。在每个类别中，我们分析了这些方法之间的关系，并比较了它们的优势与局限。最后，我们概述了图小样本学习的未来方向，以促进该领域的持续创新。本综述的网站可通过 \url{https://github.com/smufang/fewshotgraph} 访问。
引用
@article{arxiv.2402.01440,
title = {A Survey of Few-Shot Learning on Graphs: from Meta-Learning to Pre-Training and Prompt Learning},
author = {Xingtong Yu and Yuan Fang and Zemin Liu and Yuxia Wu and Zhihao Wen and Jianyuan Bo and Xinming Zhang and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:2402.01440},
year = {2024}
}