이 논문은 이종 그래프에서의 Few-shot 학습(FLHG)에 대한 종합적인 리뷰를 제공한다.
먼저 FLHG 문제를 정의하고, 이종성의 관점에서 세 가지 시나리오(단일 이종성, 이중 이종성, 다중 이종성)로 분류한다. 각 시나리오에 대한 고유한 과제를 상세히 설명한다.
이어서 각 시나리오에 대한 연구 진척 상황을 분석한다. 단일 이종성 FLHG 방법은 주로 노드 수준, 엣지 수준, 그래프 수준 문제를 다루며, 이종 그래프 신경망과 Few-shot 학습 프레임워크를 결합한다. 이중 이종성 FLHG 방법은 분포 편향 완화와 이종성 간 공통점 발견에 초점을 맞춘다. 다중 이종성 FLHG 방법은 효과적이고 부정적이지 않은 메타 지식 전이를 다룬다.
마지막으로 FLHG의 미래 연구 방향을 제시한다. 이는 세 가지 시나리오에서의 미해결 문제, 동적 이종 그래프, 다양한 보조 과제, 설명 가능성 및 강건성, 대형 언어 모델 활용 등을 포함한다.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Pengfei Ding... pada arxiv.org 03-22-2024
https://arxiv.org/pdf/2403.13834.pdfPertanyaan yang Lebih Dalam