图少样本学习综述：从元学习到预训练和提示学习

文章预览

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。 这些技术可以分为元学习、预训练和混合方法。我们在每个类别中进行了更细致的分类，分析这些方法之间的关系，并比较它们的优缺点，以帮助读者选择合适的方法。最后，我们总结了图少样本学习的未来研究方向，以促进 ………………………………