Cette recherche explore une nouvelle approche de l'apprentissage en un petit nombre d'exemples (few-shot learning) en introduisant des embeddings conditionnels agnostiques à la métrique. La méthode vise à améliorer l'apprentissage à partir d'un nombre limité d'échantillons de données en créant des représentations flexibles indépendantes de métriques de distance spécifiques.
Cet article propose le framework "GNN-as-Judge" pour améliorer les performances des LLM en apprentissage semi-supervisé few-shot sur les graphes à attributs textuels (TAGs) où les données étiquetées sont rares. La méthode relève les défis de la génération de pseudo-étiquettes fiables et de l'atténuation du bruit d'étiquette en intégrant le biais inductif structurel des GNNs.
Ce contenu explore la capacité des Grands Modèles de Langage (LLMs) à apprendre des tâches liées à la santé avec peu d'exemples. Il discute de la manière dont l'apprentissage "few-shot" peut être appliqué efficacement dans le domaine de la santé à l'aide des LLMs.
Mochi est un modèle de fondation graphique qui améliore l'efficacité et l'unification des tâches grâce à un cadre d'entraînement basé sur le méta-apprentissage. Il se pré-entraîne sur des épisodes à faible nombre d'exemples qui imitent directement l'évaluation en aval, surmontant les limites des méthodes traditionnelles et obtenant des performances compétitives.
Cet article présente SignGAD, un nouveau cadre pour la détection d'anomalies de graphes en apprentissage par quelques exemples, qui conçoit des flux de travail de détection conditionnés par la tâche au lieu d'utiliser des détecteurs d'anomalies fixes. Il aborde les défis d'adaptabilité et de preuves faibles en sélectionnant des encodages de graphes et des conceptions de détecteurs appropriés pour exploiter les signaux d' anomalie spécifiques à la tâche.