Il modello VISION migliora l'apprendimento few-shot su grafi con apprendimento in contesto
Un nuovo modello chiamato VISION (adVancIng graph few-Shot learning via In-cOntext LearNing) è stato proposto per affrontare limiti chiave nell'apprendimento few-shot su grafi. L'approccio riformula il problema come un compito di ragionamento sequenziale senza fine-tuning, ispirato all'apprendimento in contesto nei grandi modelli linguistici. VISION utilizza una rete sensibile al contesto con embedding di ruolo e un modulo di fusione duale del contesto per integrare nodi non etichettati senza complessa adattamento del compito. La ricerca è dettagliata nel preprint arXiv 2605.24410.
Fatti principali
- VISION è un modello per l'apprendimento few-shot su grafi
- Utilizza l'apprendimento in contesto ispirato ai grandi modelli linguistici
- L'approccio è senza fine-tuning
- Sfrutta nodi non etichettati nei grafi
- Il modello utilizza embedding di ruolo e un modulo di fusione duale del contesto
- La ricerca è pubblicata su arXiv con ID 2605.24410
- L'apprendimento few-shot su grafi mira a classificare nodi di classi nuove con pochi esempi etichettati
- I metodi esistenti spesso si basano su compiti supervisionati e richiedono adattamenti complessi
Entità
Istituzioni
- arXiv