异构图上的小样本学习：挑战、进展与展望
机器学习
2024-03-22 v1
摘要
异构图上的小样本学习（FLHG）正吸引着学术界和工业界越来越多的关注，因为主流的异构图研究常常面临标签稀疏的问题。FLHG 旨在解决在标注数据有限的情况下性能下降的问题，近期已有大量研究提出了各种方法和应用。在本文中，我们对现有的 FLHG 方法进行了全面回顾，涵盖了挑战、研究进展和未来展望。具体来说，我们首先形式化了 FLHG，并将其方法分为三类：单异质性 FLHG、双异质性 FLHG 和多异质性 FLHG。然后，我们分析了每个类别内的研究进展，重点介绍了最新和最具代表性的发展。最后，我们识别并讨论了 FLHG 未来研究的有前景方向。据我们所知，本文是首篇对 FLHG 进行系统全面回顾的论文。
引用
@article{arxiv.2403.13834,
title = {Few-shot Learning on Heterogeneous Graphs: Challenges, Progress, and Prospects},
author = {Pengfei Ding and Yan Wang and Guanfeng Liu},
journal= {arXiv preprint arXiv:2403.13834},
year = {2024}
}