文章预览
本文 约4300字 ,建议阅读 10+分钟 本综述总结分类了现有的图少样本学习文献,对比了不同方法,并指出了该领域未来的研究方向。 作者 | 于星橦 单位 | 新加坡管理大学博士后 研究方向 | 图神经网络 一、摘要 图表示学习作为图任务中的关键技术而发展迅速。早期的图表示学习方法通常基于端到端的训练设置,其效果高度依赖于大量的标注数据。然而现实世界中的标注数据往往难以获得,这促使了图少样本学习的出现,用于解决只有少量可用标注数据的图任务。 本综述总结分类了现有的图少样本学习文献,对比了不同方法,并指出了该领域未来的研究方向。具体地,我们从以下两个类别探讨了相关研究: 1)问题分类: 探讨不同类型的数据稀缺问题及其现实应用; 2)技术分类: 介绍解决这些数据稀缺的少样本问题的关键策略。 这些技术可以
………………………………