归档

原文：[2410.19265] A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation Reading list: G

一个简单的入门尝试 数据的获取 以同花顺软件为例，进入上证指数或者你选择的个股页面，在分时走势这一列切换到日走势（这决定了之后获取的数据时间间隔）： 然后按 F1 进入如下界面（按 F3 可切回走势页面）：

原文：Rethinking Propagation for Unsupervised Graph Domain Adaptation | Proceedings of the AAAI Conference on Artificial Intelligence 文章考虑的是无监督图域适应问题（UGD

参考：《迁移学习导论（第二版）》 迁移学习问题考虑源域和目标域存在不同的分布：P_s(\boldsymbol{x},y)\ne P_t(\boldsymbol{x},y) 显然由于目标域标签不可获取无法直接去衡量这种联合分布的差异，所以根据

参考：神经网络与深度学习 (nndl.github.io) 注意力机制 用

原文：Open-Set Graph Domain Adaptation via Separate Domain Alignment | Proceedings of the AAAI Conference on Artificial Intelligence 考虑如图的闭集和开放集图域适应之间的问题

原文：Beyond the Known: Novel Class Discovery for Open-World Graph Learning | SpringerLink 例子：在学术图上展示开放世界学习的新颖类发现的插图。节点代表论文，边代表引用关系，每篇论文属于某个研究领域（节点类）。 构成

原文： 问题设置 Few-shot 学习任务的数据可以分为三部分：训练集 Dtrain、支持集 Dsupport 和测试集 Dtest。具体来说，Dtrain 有大规模的训练样本（例如，一个类别大约有数百个样本），这些样本的类别记为 Cbase。它提供了大量的先验知识作为已知内容来帮助描述其他样本。

原文：FS-Mol: A Few-Shot Learning Dataset of Molecules | OpenReview 一个分子 Few-shot 任务数据集和 benchmark。 小数据集在药物发现中无处不在，因为数据生成成本高昂，并且可能因伦理原因（例如体内实验）而受到限制。早期药物

原文：Contrastive Augmented Graph2Graph Memory Interaction for Few Shot Continual Learning 用图结构的对比学习处理 Few-shot 持续学习问题 问题设置 在 FSCIL 任务中，训练集 \mathcal{D}^{