Esta pesquisa explora uma nova abordagem para o aprendizado com poucos exemplos (few-shot learning) através da introdução de embeddings condicionais agnósticos à métrica. O método visa melhorar o aprendizado a partir de um número limitado de amostras de dados, criando representações flexíveis independentes de métricas de distância específicas.
Este artigo propõe o framework "GNN-as-Judge" para aprimorar o desempenho de LLMs em aprendizado semi-supervisionado few-shot em Text-Attributed Graphs (TAGs), onde dados rotulados são escassos. O método aborda os desafios de gerar pseudo-rótulos confiáveis e mitigar ruído de rótulo ao incorporar o viés indutivo estrutural das GNNs.
Este conteúdo explora a capacidade dos Grandes Modelos de Linguagem (LLMs) em aprender tarefas relacionadas à saúde com poucos exemplos. Aborda como a aprendizagem "few-shot" pode ser aplicada de forma eficaz no domínio da saúde utilizando LLMs.
Mochi é um Modelo de Fundação Gráfica que melhora a eficiência e unificação de tarefas através de uma estrutura de treinamento baseada em meta-aprendizagem. Ele realiza o pré-treinamento com episódios few-shot que espelham a avaliação downstream, superando as limitações dos métodos tradicionais e alcançando desempenho competitivo.
Este artigo apresenta o SignGAD, uma nova estrutura para detecção de anomalias em grafos com poucos exemplos, que projeta fluxos de trabalho de detecção condicionados à tarefa em vez de usar detectores fixos. Ele aborda desafios de adaptabilidade e evidências fracas, selecionando codificações de grafo e designs de detector apropriados para explorar sinais de anomalia específicos da tarefa.