Buchumschlag

Enhancing Unsupervised Graph Few-shot Learning via Set Functions and Optimal Transport

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Yonghao, Giunchiglia, Fausto, Li, Ximing, Huang, Lan, Feng, Xiaoyue, Guan, Renchu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dual-level Mixup for Graph Few-shot Learning with Fewer Tasks
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion
von: Liu, Yonghao, et al.
Veröffentlicht: (2026)

Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Meta-GPS++: Enhancing Graph Meta-Learning with Contrastive Learning and Self-Training
von: Liu, Yonghao, et al.
Veröffentlicht: (2024)

A Simple Graph Contrastive Learning Framework for Short Text Classification
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Hypergraph Contrastive Learning for both Homophilic and Heterophilic Hypergraphs
von: Guan, Renchu, et al.
Veröffentlicht: (2025)

Simple-Sampling and Hard-Mixup with Prototypes to Rebalance Contrastive Learning for Text Classification
von: Li, Mengyu, et al.
Veröffentlicht: (2024)

Advancing Graph Few-Shot Learning via In-Context Learning
von: Guan, Renchu, et al.
Veröffentlicht: (2026)

Resolving Word Vagueness with Scenario-guided Adapter for Natural Language Inference
von: Liu, Yonghao, et al.
Veröffentlicht: (2024)

Boosting Short Text Classification with Multi-Source Information Exploration and Dual-Level Contrastive Learning
von: Liu, Yonghao, et al.
Veröffentlicht: (2025)

Learning from Label Proportions with Dual-proportion Constraints
von: Ma, Tianhao, et al.
Veröffentlicht: (2026)

From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach
von: Zheng, Yu, et al.
Veröffentlicht: (2022)

Big-Thick Data generation via reference and personal context unification
von: Giunchiglia, Fausto, et al.
Veröffentlicht: (2024)

Inductive Graph Few-shot Class Incremental Learning
von: Li, Yayong, et al.
Veröffentlicht: (2024)

TRACE: Discovering Task-Specific Parameter via Adaptation-Aware Probing for Continual Fine-Tuning
von: Han, Xiaosong, et al.
Veröffentlicht: (2026)

Few-shot Learning on Heterogeneous Graphs: Challenges, Progress, and Prospects
von: Ding, Pengfei, et al.
Veröffentlicht: (2024)

Harmful Visual Content Manipulation Matters in Misinformation Detection Under Multimedia Scenarios
von: Wang, Bing, et al.
Veröffentlicht: (2026)

Unsupervised Meta-Learning via Dynamic Head and Heterogeneous Task Construction for Few-Shot Classification
von: Guan, Yunchuan, et al.
Veröffentlicht: (2024)

Few-shot Knowledge Graph Relational Reasoning via Subgraph Adaptation
von: Liu, Haochen, et al.
Veröffentlicht: (2024)

HGPROMPT: Bridging Homogeneous and Heterogeneous Graphs for Few-shot Prompt Learning
von: Yu, Xingtong, et al.
Veröffentlicht: (2023)

BAED: a New Paradigm for Few-shot Graph Learning with Explanation in the Loop
von: Chen, Chao, et al.
Veröffentlicht: (2026)

KAE: A Property-based Method for Knowledge Graph Alignment and Extension
von: Shi, Daqian, et al.
Veröffentlicht: (2024)

Towards Cross-domain Few-shot Graph Anomaly Detection
von: Chen, Jiazhen, et al.
Veröffentlicht: (2024)

Help the machine to help you: an evaluation in the wild of egocentric data cleaning via skeptical learning
von: Bontempelli, Andrea, et al.
Veröffentlicht: (2025)

Differentially Private In-context Learning via Sampling Few-shot Mixed with Zero-shot Outputs
von: Flemings, James, et al.
Veröffentlicht: (2025)

TAROT: Targeted Data Selection via Optimal Transport
von: Feng, Lan, et al.
Veröffentlicht: (2024)

Dialogue for Prompting: a Policy-Gradient-Based Discrete Prompt Generation for Few-shot Learning
von: Li, Chengzhengxu, et al.
Veröffentlicht: (2023)

Is Meta-Learning Out? Rethinking Unsupervised Few-Shot Classification with Limited Entropy
von: Guan, Yunchuan, et al.
Veröffentlicht: (2025)

Learning Partial Graph Matching via Optimal Partial Transport
von: Ratnayaka, Gathika, et al.
Veröffentlicht: (2024)

Meta-Learning for Unsupervised Outlier Detection with Optimal Transport
von: Singh, Prabhant, et al.
Veröffentlicht: (2022)

Learning to Learn for Few-shot Continual Active Learning
von: Ho, Stella, et al.
Veröffentlicht: (2023)

Unsupervised Learning for Optimal Transport plan prediction between unbalanced graphs
von: Mazelet, Sonia, et al.
Veröffentlicht: (2025)

Right for the Right Reasons: Avoiding Reasoning Shortcuts via Prototypical Neurosymbolic AI
von: Andolfi, Luca, et al.
Veröffentlicht: (2025)

Towards Few-shot Self-explaining Graph Neural Networks
von: Peng, Jingyu, et al.
Veröffentlicht: (2024)

AnomalyLLM: Few-shot Anomaly Edge Detection for Dynamic Graphs using Large Language Models
von: Liu, Shuo, et al.
Veröffentlicht: (2024)

Few-shot Protein Fitness Prediction via In-context Learning and Test-time Training
von: Teufel, Felix, et al.
Veröffentlicht: (2025)

An Enhanced Privacy-preserving Federated Few-shot Learning Framework for Respiratory Disease Diagnosis
von: Wang, Ming, et al.
Veröffentlicht: (2025)

ICPL: Few-shot In-context Preference Learning via LLMs
von: Yu, Chao, et al.
Veröffentlicht: (2024)

Point Cloud Classification via Deep Set Linearized Optimal Transport
von: Mahan, Scott, et al.
Veröffentlicht: (2024)

Unsupervised Feature Selection via Robust Autoencoder and Adaptive Graph Learning
von: Yu, Feng, et al.
Veröffentlicht: (2025)