Diese Forschung untersucht einen neuartigen Ansatz für das Few-Shot Learning durch die Einführung von metrik-agnostischen konditionalen Embeddings. Die Methode zielt darauf ab, das Lernen aus begrenzten Datenbeispielen zu verbessern, indem flexible Repräsentationen geschaffen werden, die unabhängig von spezifischen Distanzmetriken sind.
Diese Arbeit stellt das „GNN-as-Judge“-Framework vor, um die Leistung von LLMs beim Few-Shot Semi-Supervised Learning auf Text-Attributed Graphs (TAGs) mit knappen gelabelten Daten zu verbessern. Die Methode begegnet den Herausforderungen der Erzeugung zuverlässiger Pseudo-Labels und der Minderung von Label-Rauschen durch die Einbeziehung der strukturellen induktiven Verzerrung von GNNs.
Dieser Inhalt untersucht die Fähigkeit von Großen Sprachmodellen (LLMs), gesundheitsbezogene Aufgaben mit wenigen Beispielen zu lernen. Es wird erörtert, wie Few-Shot-Lernen im Gesundheitsbereich mithilfe von LLMs effektiv angewendet werden kann.
Mochi ist ein Graph Foundation Model, das Effizienz und Aufgabenvereinheitlichung durch ein Meta-Learning-Framework verbessert. Es wird mit Few-Shot-Episoden vorab trainiert, die das nachgeschaltete Evaluierungsprotokoll widerspiegeln, und überwindet so die Einschränkungen herkömmlicher Methoden, um eine wettbewerbsfähige Leistung zu erzielen.
Dieses Papier stellt SignGAD vor, ein neuartiges Framework zur Anomalieerkennung in Graphen mit wenigen Beispielen, das aufgabengesteuerte Detektions-Workflows entwirft, anstatt feste Anomaliedetektoren zu verwenden. Es begegnet Herausforderungen wie Anpassungsfähigkeit und schwachen Beweisen, indem es geeignete Graph-Kodierungen und Detektordesigns auswählt, um aufgabenspezifische Anomaliesignale zu nutzen.