Core Concepts
グラフカリキュラム学習は、グラフ機械学習とカリキュラム学習の強みを組み合わせた有望な研究分野であり、さまざまなグラフタスクにおいてモデルの性能向上をもたらす。
Abstract
グラフ構造化データは現実世界で普遍的であり、複雑な関係や依存関係をモデル化するために広く使用されている。
グラフ機械学習アプローチは、物理から化学、神経科学から社会科学まで幅広い領域で応用されており、多くのアプリケーションにおける需要が高まっている。
カリキュラムグラフ機械学習(Graph CL)は、グラフ機械学習とカリキュラム学習の強みを組み合わせた新しい方向性であり、将来の研究方向に期待が寄せられている。
Challenges and Problem Formulation
Graph CL面臨する課題:
カリキュラムグラフ学習問題の固有性。
カリキュラムグラフ学習方法の複雑さ。
カリキュラムグラフ学習タスクの多様性。
Node-level Graph CL
Predefined Node-level Graph CL:
CLNode: ノードレベル表現のカリキュラム学習枠組み。
GNN-CL: 不均衡ノード分類タスクへのカリキュラム学習導入。
SMMCL: マルチモーダルなカリキュラム教育方法。
Link-level Graph CL
Predefined Link-level Graph CL:
GCN-WSRS: リンク予測タスク用負例サンプリングのカリキュラム教育戦略。
TUNEUP: 新しいリンク予測タスク用2段階カリキュラム教育戦略。
Graph-level Graph CL
Predefined Graph-level Graph CL:
CurGraph: グラフ分類タスク用イージートハードなカリキュラム教育手法。
CuCo: 自己監督されたグレードレベル表現学習へのカリキュラム導入。
Quotes
"Curriculum graph machine learning (Graph CL) combines the strength of graph machine learning and curriculum learning."
"Facing opportunities as well as challenges, we believe it is the right time to review and promote the studies of Graph CL approaches."