图上的少样本学习
机器学习
2022-06-08 v2
摘要
图表示学习因其在许多真实世界应用中的卓越表现而引起了极大关注。然而，针对特定任务的现有监督图表示学习模型常受限于标签稀疏问题，因为数据标注总是耗费时间和资源。有鉴于此，图上的少样本学习（FSLG）结合了图表示学习与少样本学习的优势，被提出以应对有限标注数据下的性能下降挑战。近来已有许多关于 FSLG 的研究。本文以一系列方法和应用的形式对这些工作进行了全面综述。具体而言，我们首先介绍 FSLG 的挑战与基础，然后按节点、边和图三种不同粒度的图挖掘任务对现有 FSLG 工作进行分类与总结。最后，我们分享了关于 FSLG 未来研究方向的若干思考。本综述的作者在过去几年中对 FSLG 的 AI 文献做出了显著贡献。
引用
@article{arxiv.2203.09308,
title = {Few-Shot Learning on Graphs},
author = {Chuxu Zhang and Kaize Ding and Jundong Li and Xiangliang Zhang and Yanfang Ye and Nitesh V. Chawla and Huan Liu},
journal= {arXiv preprint arXiv:2203.09308},
year = {2022}
}