Esta investigación explora un nuevo enfoque para el aprendizaje con pocos ejemplos (few-shot learning) mediante la introducción de embeddings condicionales agnósticos a la métrica. El método busca mejorar el aprendizaje a partir de un número limitado de muestras de datos, creando representaciones flexibles independientes de métricas de distancia específicas.
Este artículo propone el framework "GNN-as-Judge" para mejorar el rendimiento de los LLM en el aprendizaje semi-supervisado de pocas tomas en Text-Attributed Graphs (TAGs), donde los datos etiquetados son escasos. El método aborda los desafíos de generar pseudoetiquetas fiables y mitigar el ruido de las etiquetas incorporando el sesgo inductivo estructural de las GNN.
Este contenido explora la capacidad de los Grandes Modelos de Lenguaje (LLMs) para aprender tareas relacionadas con la salud con pocos ejemplos. Aborda cómo el aprendizaje "few-shot" puede aplicarse eficazmente en el ámbito de la salud utilizando LLMs.
Mochi es un Modelo de Fundación Gráfica que mejora la eficiencia y la unificación de tareas mediante un marco de entrenamiento basado en metaaprendizaje. Se preentrena en episodios de pocas muestras que reflejan la evaluación posterior, abordando las limitaciones de los métodos tradicionales y logrando un rendimiento competitivo.
Este artículo presenta SignGAD, un nuevo marco para la detección de anomalías en grafos con pocos ejemplos que diseña flujos de trabajo de detección condicionados a la tarea en lugar de utilizar detectores de anomalías fijos. Aborda los desafíos de adaptabilidad y evidencia débil al seleccionar codificaciones de grafos y diseños de detectores adecuados para explotar señales de anomalía específicas de la tarea.