文献

J-GLOBAL ID：202202270968195213   整理番号：22A0931036

グラフ最小教師つき学習【JST・京大機械翻訳】

Graph Minimally-supervised Learning

著者 (4件)： Ding Kaize (Arizona State University, Tempe, AZ, USA) ,  Li Jundong (University of Virginia, Charlottesville, VA, USA) ,  Chawla Nitesh (University of Notre Dame, Notre Dame, IN, USA) ,  Liu Huan (Arizona State University, Tempe, AZ, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： WSDM ’22  ページ： 1620-1622  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グラフは,ソーシャルネットワーク,知識グラフ,およびトラフィックネットワーク,ならびにモデリング分子,多様体,およびソースコードなどの相互作用オブジェクトの複雑なシステムを抽象化するために広く使われている。そのようなグラフ構造化データをモデル化するため,グラフ学習,特にグラフニューラルネットワークによる深層グラフ学習は,最近,学術的および産業的コミュニティの両方で多くの注目を集めている。グラフ学習法は通常「ビッグ」データから学習に依存し,モデル訓練のために大量のラベル付きデータを必要とする。しかし,グラフはデータアノテーションとして”小さな”ラベル付きデータと関連し,グラフ上のラベリングは常に時間と資源を消費する。したがって,制限あるいはラベル付けデータが利用できない低資源設定に対する最小人間監督によるグラフ学習を研究することは必須である。このチュートリアルでは,グラフ最小教師つき学習の最先端技術,特に,グラフ構造化データに関する一連の弱教師つき学習,少数ショット学習,および自己監督学習法,ならびにそれらの実世界アプリケーションに焦点を当てた。このチュートリアルの目的は;(1)グラフ最小監督学習における問題を形式的に分類し,異なる学習シナリオの下での課題を論じた。(2)グラフ最小監督学習の既存および最近の進展を包括的にレビューした。(3)未解決問題と将来の研究方向を明らかにする。このチュートリアルは,最小教師つき学習の中で主要な話題を導入し,グラフ学習の新しいフロンティアへの指針を提供する。このチュートリアルは研究者と実務者にとって有益であり,グラフ学習に協力することを可能にする。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *グラフ ,  相互作用 ,  多様体 ,  *学習 ,  データ ,  ネットワーク ,  ニューラルネットワーク ,  モデリング ,  *教師つき学習 ,  応用プログラム ,  モデル ,  アノテーション
準シソーラス用語： 社会的ネットワーク ,  ソースコード ,  構造化データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 少数ショット学習 ,  グラフニューラルネットワーク ,  自己教師つき学習 ,  弱教師つき学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： グラフ ,  教師つき学習