문서 둘러보기
MAGNN
MAGNN은 여러 종류의 노드와 관계를 가진 그래프에서 메타패스를 따라 정보를 모으는 임베딩 모형이다. 노드 속성을 변환하고 경로 안의 중간 노드를 반영한 뒤 여러 메타패스의 정보를 결합한다.
HAN 이종 그래프 어텐션
HAN은 노드 수준과 의미 수준의 어텐션을 계층적으로 결합하는 이종 그래프 신경망이다. 메타패스로 연결된 이웃의 중요도와 서로 다른 메타패스의 중요도를 각각 학습한다.
HGT 이종 그래프 트랜스포머
HGT는 여러 종류의 노드와 간선을 가진 이종 그래프를 학습하는 트랜스포머 구조다. 유형별 어텐션 파라미터, 상대 시간 인코딩, 이종 미니배치 샘플링을 결합해 큰 그래프를 다룬다.
SUBLIME 그래프 구조 학습
SUBLIME은 정답 표지 없이 대조 학습으로 그래프의 연결 구조를 학습하는 프레임워크다. 원래 자료에서 만든 앵커 그래프와 학습 중인 그래프를 비교하고, 새 구조로 앵커를 갱신한다.
Pro-GNN
Pro-GNN은 변형된 그래프에서 연결 구조와 강건한 그래프 신경망을 함께 학습하는 프레임워크다. 그래프의 희소성, 낮은 랭크, 인접 노드 특징의 유사성을 구조 학습의 단서로 사용한다.
IDGL
IDGL은 그래프의 연결 구조와 노드 임베딩을 반복적으로 함께 학습하는 프레임워크다. 표현을 이용해 연결을 개선하고 바뀐 연결에서 다시 표현을 학습하며, 유사도 학습과 적응적 정규화를 결합한다.
이산 그래프 구조 학습
이산 그래프 구조 학습 연구는 그래프의 간선에 대한 확률 분포와 그래프 합성곱 신경망의 가중치를 함께 학습한다. 주어진 연결이 불완전하거나 그래프 자체가 없는 자료에도 GCN을 적용하기 위한 접근이다.
DiffWire
DiffWire는 그래프 신경망의 연결 구조를 미분 가능한 방식으로 조정하는 프레임워크다. 왕복 시간에 따른 간선 가중치 조정과 스펙트럼 간격 최적화라는 두 층을 통해 메시지 전달 구조를 다룬다.
FoSR
FoSR은 스펙트럼 확장을 기준으로 간선을 추가해 그래프 신경망의 정보 병목을 줄이는 재연결 방법이다. 원래 그래프의 관계를 보존하는 구조를 결합해 노드 표현이 지나치게 비슷해지는 문제도 함께 다룬다.
곡률 기반 그래프 재연결
곡률 기반 그래프 재연결은 간선의 조합적 곡률로 정보 전달의 병목을 분석하고 연결 구조를 바꾸는 접근이다. 멀리서 모이는 메시지가 좁은 통로에 압축되는 문제를 그래프의 구조와 연결한다.
유효 저항 기반 그래프 재연결
유효 저항 기반 그래프 재연결은 노드 사이의 경로 연결성을 수치화하고 전체 유효 저항을 줄이는 간선을 추가하는 접근이다. 메시지 전달 신경망에서 장거리 정보가 압축되는 문제를 완화하기 위해 연구됐다.
LRGB 성능 격차 재평가
LRGB 성능 격차 재평가 연구는 장거리 그래프 벤치마크에서 메시지 전달 모형과 그래프 트랜스포머의 비교 조건을 다시 조사했다. 하이퍼파라미터와 정규화 및 평가 구현이 보고된 격차에 미친 영향을 다룬다.
그래프 신경망의 과도한 압축
그래프 신경망의 과도한 압축은 먼 노드에서 모인 많은 정보를 고정 크기 벡터에 담으려 할 때 생기는 병목이다. 원 연구는 이를 장거리 신호를 전달하기 어려운 원인으로 분석했다.
GraphNAS
GraphNAS는 강화 학습으로 그래프 신경망 구조를 자동 탐색하는 방법이다. 순환 신경망이 구조를 나타내는 문자열을 생성하고 검증 자료에서의 기대 정확도를 높이도록 학습한다.
Long Range Graph Benchmark
Long Range Graph Benchmark는 그래프에서 먼 노드 사이의 상호 작용을 학습하는 능력을 평가하기 위한 자료 모음이다. 국소 메시지 전달과 전역 처리를 비교할 수 있는 다섯 과제를 제안했다.
GraphGym
GraphGym은 그래프 신경망의 설계와 과제 공간을 체계적으로 탐색하기 위한 실험 플랫폼이다. 모듈식 구현과 표준 평가 및 재현 가능한 실험 관리로 여러 설계 차원의 조합을 비교한다.
그래프 신경망 공통 벤치마크
그래프 신경망 공통 벤치마크 연구는 같은 매개변수 예산과 재현 가능한 코드로 여러 모형을 비교하는 평가 틀이다. 수학적 그래프와 실제 그래프를 함께 사용해 설계의 효과를 조사한다.
ACM 적응 채널 혼합
ACM은 그래프 신경망에서 집계와 다양화 및 항등 채널을 노드별로 적응적으로 결합하는 방법이다. 연결과 표지의 일치도뿐 아니라 집계 후 노드 유사성에도 주목한다.
이질 그래프 평가의 데이터 누출
이질 그래프 평가의 데이터 누출 연구는 이웃 표지가 다른 그래프의 표준 벤치마크에 중복 노드가 만드는 문제를 조사했다. 특수한 모형이 반드시 필요하다는 통념을 자료 조건부터 재검토한다.
FAGCN
FAGCN은 저주파와 고주파 정보를 메시지 전달 중 적응적으로 통합하는 그래프 합성곱 모형이다. 자기 게이팅으로 상황에 맞는 주파수 정보를 활용하도록 설계했다.
GPR-GNN
GPR-GNN은 일반화 페이지랭크의 가중치를 학습해 노드 특징과 그래프 위상 정보를 결합하는 신경망이다. 이웃 표지의 동질성이나 이질성 정도에 맞춰 전파를 조정한다.
MixHop
MixHop은 서로 다른 거리의 이웃 특징을 반복적으로 섞는 그래프 합성곱 모형이다. 기존 집계가 표현하지 못하는 일반적인 이웃 혼합 관계와 차이 연산을 학습하도록 제안됐다.
LINKX
LINKX는 인접 정보와 노드 특징을 따로 임베딩한 뒤 결합하는 그래프 학습 방법이다. 비슷한 표지의 노드끼리 연결되지 않는 큰 그래프에서도 간단한 미니배치 학습과 추론을 목표로 한다.
Geom-GCN
Geom-GCN은 그래프 아래의 연속 공간을 활용해 노드 이웃을 기하학적으로 집계하는 방법이다. 노드 임베딩과 구조적 이웃 및 이중 수준 집계로 관계 정보를 표현한다.
H2GCN
H2GCN은 연결된 노드의 표지나 특징이 서로 다른 그래프에서 학습하기 위한 설계를 결합한 신경망이다. 자기 노드와 이웃 표현의 분리 및 고차 이웃과 중간 표현의 결합을 사용한다.
DyGFormer
DyGFormer는 노드의 과거 일차 상호 작용을 트랜스포머로 처리하는 동적 그래프 학습 모형이다. 이웃의 동시 출현 인코딩과 이력 패치화를 사용해 노드 관계와 긴 시간 의존성을 다룬다.
GraphMixer
GraphMixer는 시간 연결의 정보와 노드 이웃 정보를 단순한 연산으로 처리하는 시간 그래프 모형이다. 다층 퍼셉트론과 이웃 평균 풀링을 결합해 시간 연결을 예측한다.
CAW 인과 익명 보행
CAW 인과 익명 보행은 시간 무작위 보행에서 노드의 정체성 대신 방문 횟수 정보를 사용해 동적 네트워크를 표현하는 방법이다. 노드 이름에 의존하지 않고 시간 모티프를 학습하려 한다.
JODIE
JODIE는 사용자와 항목의 상호 작용을 통해 시간에 따른 임베딩 궤적을 학습하는 결합 순환 신경망이다. 관찰된 사건에서의 갱신뿐 아니라 미래 시점의 표현도 추정한다.
Temporal Graph Benchmark
Temporal Graph Benchmark는 시간 그래프의 학습 방법을 현실적인 조건에서 평가하기 위한 공개 벤치마크다. 여러 해에 걸친 자료로 노드와 간선 수준 예측을 함께 다룬다.
EvolveGCN
EvolveGCN은 순환 신경망으로 그래프 합성곱 신경망의 매개변수를 시간에 따라 갱신하는 방법이다. 노드 집합이 자주 달라지는 동적 그래프에서 고정 노드별 임베딩 의존성을 줄인다.
Temporal Graph Networks
Temporal Graph Networks는 동적 그래프를 시간이 붙은 사건의 시퀀스로 표현하는 학습 틀이다. 메모리 모듈과 그래프 연산을 결합해 변하는 특징이나 연결을 처리한다.
TGAT
TGAT는 시간과 그래프 이웃 정보를 함께 집계하는 시간 그래프 어텐션 모형이다. 노드 임베딩을 시간의 함수로 다뤄 새로운 노드와 이미 관찰한 노드의 표현을 추론한다.
Exphormer
Exphormer는 가상 전역 노드와 확장 그래프로 희소 어텐션을 구성하는 그래프 트랜스포머 틀이다. 큰 그래프에서 그래프 크기에 선형인 복잡도를 갖도록 연결 패턴을 설계한다.
NodeFormer
NodeFormer는 임의의 노드 쌍 사이에 신호를 전달하면서 잠재 그래프 구조를 학습하는 트랜스포머형 노드 분류 모형이다. 커널화한 검벨 소프트맥스 연산으로 노드 수에 선형인 계산을 구성한다.
SAN 스펙트럼 어텐션
SAN은 그래프 라플라시안의 전체 스펙트럼을 활용하는 학습 위치 인코딩을 트랜스포머에 결합한 모형이다. 노드의 위치 표현을 특징에 더한 뒤 완전 연결 어텐션으로 처리한다.
SAT 구조 인식 트랜스포머
SAT는 각 노드를 중심으로 한 부분 그래프의 표현을 어텐션 계산에 사용하는 그래프 트랜스포머다. 위치 인코딩만으로 충분히 포착되지 않을 수 있는 노드 사이 구조 유사성을 반영한다.
TokenGT
TokenGT는 그래프의 모든 노드와 간선을 각각 토큰으로 취급해 표준 트랜스포머에 입력하는 방법이다. 적절한 토큰 임베딩을 더해 그래프 전용 연산 변경 없이 구조를 학습한다.
GraphGPS
GraphGPS는 위치 및 구조 인코딩과 국소 메시지 전달 및 전역 어텐션을 조합하는 그래프 트랜스포머 틀이다. 여러 구성 요소를 교체할 수 있는 모듈 구조로 효율과 표현력을 함께 다룬다.
Graphormer
Graphormer는 그래프 구조 인코딩을 표준 트랜스포머에 결합한 표현 학습 모형이다. 노드의 차수와 노드 사이 거리 및 경로의 간선 정보를 이용해 그래프 관계를 어텐션에 반영한다.
Graph U-Nets
Graph U-Nets는 그래프의 노드를 줄이고 다시 배치하는 풀링과 언풀링으로 만든 인코더 디코더 모형이다. 학습 가능한 투영 벡터로 노드를 선택하고 선택 위치를 복원에 활용한다.
SAGPool
SAGPool은 그래프 합성곱으로 계산한 자기 어텐션을 이용하는 그래프 풀링 방법이다. 노드 특징과 그래프의 연결 구조를 함께 고려해 그래프의 크기를 줄이는 연산을 구성한다.
DiffPool
DiffPool은 노드를 군집에 부드럽게 배정해 그래프의 계층 표현을 만드는 미분 가능한 풀링 모듈이다. 여러 그래프 신경망과 결합해 전체 그래프의 분류를 종단 간으로 학습한다.
MinCutPool
MinCutPool은 정규화 최소 컷 목표를 학습하는 그래프 신경망으로 군집과 풀링을 구성하는 방법이다. 스펙트럼 분해를 직접 계산하는 대신 새 그래프에도 적용할 수 있는 군집 함수를 학습한다.
DeeperGCN
DeeperGCN은 더 깊은 그래프 합성곱 신경망을 학습하기 위한 집계와 정규화 및 잔차 구성의 틀이다. 미분 가능한 일반화 집계 함수로 서로 다른 메시지 집계 연산을 연결한다.
GATv2
GATv2는 어텐션 계산 순서를 바꿔 질의 노드에 따라 이웃의 중요도 순위를 바꿀 수 있게 한 그래프 어텐션 모형이다. 기존 GAT의 정적 어텐션 제약을 분석하며 제안됐다.
PNA 이웃 집계
PNA는 여러 이웃 집계 함수와 노드 차수에 따른 크기 조절을 결합하는 그래프 신경망 구조다. 연속 특징을 다루는 표현력 분석을 바탕으로 단일 집계보다 풍부한 정보를 활용한다.
DropEdge
DropEdge는 학습 에포크마다 입력 그래프의 일부 간선을 무작위로 제거하는 그래프 신경망 학습 기법이다. 자료 증강과 메시지 전달 축소를 통해 과적합과 과도한 평활화를 완화하려 한다.
GCN의 깊이와 정보 손실
GCN의 깊이와 정보 손실 연구는 깊은 그래프 합성곱 모형의 출력을 동역학계로 분석한다. 특정 가중치와 그래프 스펙트럼 조건에서 노드를 구별하는 정보가 지수적으로 제한되는 현상을 설명한다.
GDC 그래프 확산 합성곱
GDC는 직접 연결된 이웃에만 국한하지 않고 그래프 확산을 이용하는 합성곱 방법이다. 열 커널이나 개인화 페이지랭크 같은 확산으로 공간적으로 국소화된 정보를 구성한다.
GCNII
GCNII는 초기 잔차 연결과 항등 매핑을 결합해 깊은 그래프 합성곱 신경망을 학습하는 방법이다. 반복 집계로 노드 표현이 지나치게 비슷해지는 과도한 평활화 문제를 다룬다.
PairNorm
PairNorm은 그래프 신경망에서 노드 임베딩이 모두 비슷해지는 현상을 줄이기 위한 정규화 층이다. 그래프 합성곱의 반복이 만드는 과도한 평활화를 분석해 제안했다.
SIGN 그래프 신경망
SIGN은 여러 크기의 그래프 필터를 미리 계산해 학습과 추론을 빠르게 수행하는 그래프 신경망 구조다. 학습 중 그래프 표본 추출에 의존하는 대신 사전 계산 가능한 연산을 활용한다.
Cluster-GCN
Cluster-GCN은 그래프 군집으로 찾은 조밀한 부분 그래프를 미니배치 학습에 사용하는 방법이다. 부분 그래프 안으로 이웃 탐색을 제한해 큰 그래프 합성곱 신경망의 계산과 메모리 비용을 줄인다.
GraphSAINT
GraphSAINT는 전체 학습 그래프에서 부분 그래프를 뽑아 미니배치를 만드는 귀납적 학습 방법이다. 층마다 다른 표본을 고르는 대신 하나의 표본 그래프 위에 완전한 그래프 합성곱 모형을 구성한다.
단순 그래프 합성곱
단순 그래프 합성곱은 그래프 합성곱 층의 비선형성을 없애고 연속된 가중치 행렬을 합쳐 단순화하는 방법이다. 결과 모형은 고정된 저역 통과 필터와 선형 분류기로 해석된다.
Jumping Knowledge 신경망
Jumping Knowledge 신경망은 노드마다 서로 다른 이웃 범위의 표현을 유연하게 활용하는 그래프 학습 구조다. 국소 그래프 구조와 과제에 맞는 정보 범위를 사용하도록 설계했다.
PPNP와 APPNP
PPNP와 APPNP는 신경망의 예측을 개인화 페이지랭크 기반으로 전파하는 그래프 학습 방법이다. 조정 가능한 넓은 이웃 정보를 분류에 활용하며 APPNP는 PPNP의 빠른 근사다.
R-GCN
R-GCN은 여러 관계 유형이 있는 그래프를 다루는 관계형 그래프 합성곱 신경망이다. 지식 그래프에서 빠진 연결이나 개체 속성을 추정하는 지식 기반 완성 과제에 활용한다.
GIN 그래프 동형 신경망
GIN은 이웃 집계형 그래프 신경망의 구조 구별 능력을 분석하며 제안된 모형이다. 조건에 맞는 집계와 그래프 읽기 함수를 사용해 바이스파일러 레만 검사 수준의 구별력을 목표로 한다.
GAT 그래프 어텐션
GAT는 이웃 노드의 특징에 서로 다른 중요도를 주는 마스킹 자기 어텐션 기반 그래프 신경망이다. 이웃을 집계하는 층을 쌓아 그래프 구조 자료의 표현을 학습한다.
GraphSAGE
GraphSAGE는 노드의 이웃 특징을 표본 추출하고 집계하는 함수로 임베딩을 만드는 귀납적 그래프 학습 방법이다. 학습 때 보지 못한 노드에도 특징 정보를 바탕으로 표현을 생성한다.
metapath2vec
metapath2vec은 노드와 연결의 유형이 여러 개인 이종 네트워크를 위한 표현 학습 방법이다. 메타 경로 기반 무작위 보행으로 이웃 문맥을 만들고 이종 스킵그램으로 노드를 임베딩한다.
NetLSD
NetLSD는 그래프 라플라시안의 스펙트럼에서 작은 서명을 추출해 그래프를 비교하는 방법이다. 노드 순서와 그래프 크기의 차이를 다루면서 여러 규모의 구조 패턴을 비교하려는 표현이다.
NetMF
NetMF는 음성 표본 추출을 쓰는 네트워크 임베딩을 행렬 분해 관점으로 통합해 분석하고 계산하는 방법이다. DeepWalk와 LINE 및 PTE와 node2vec의 목적 사이의 관계를 설명한다.
struc2vec
struc2vec은 네트워크에서 노드가 갖는 구조적 정체성을 표현하는 임베딩 방법이다. 여러 규모의 구조 유사성을 계층적으로 측정하고 다층 그래프로 구조적 문맥을 만든다.
LINE 네트워크 임베딩
LINE은 큰 정보 네트워크를 낮은 차원의 벡터 공간으로 옮기는 임베딩 방법이다. 국소 및 전역 구조를 보존하는 목적과 간선 표본 추출을 이용해 큰 네트워크를 학습한다.
DeepWalk
DeepWalk는 짧은 무작위 보행을 문장처럼 다뤄 네트워크 노드의 잠재 표현을 배우는 방법이다. 노드 사이의 사회적 관계를 연속 벡터 공간에 담아 후속 통계 학습에 활용한다.
node2vec
node2vec은 편향된 무작위 보행으로 노드의 다양한 이웃을 탐색하는 네트워크 표현 학습 방법이다. 노드를 낮은 차원의 특징 공간에 옮기면서 이웃 관계를 보존하도록 학습한다.
graph2vec
graph2vec은 크기가 다른 그래프 전체를 고정 길이 벡터로 표현하는 신경 임베딩 방법이다. 특정 과제의 표지 없이 자료에서 학습한 그래프 표현을 분류나 군집화에 활용한다.
Open Graph Benchmark
Open Graph Benchmark는 확장성과 재현성을 갖춘 그래프 기계 학습을 평가하기 위한 공개 자료와 공통 평가 틀이다. 과제에 맞는 자료 분할과 지표 및 실행 도구를 제공한다.
GraphMAE
GraphMAE는 가린 특징을 복원하는 그래프 오토인코더 기반 자기지도 사전 학습 방법이다. 그래프 연결 자체의 재구성보다 특징 재구성에 집중하고 조정된 코사인 오차를 사용한다.
MGAE 간선 복원
MGAE 간선 복원은 입력 그래프의 많은 간선을 무작위로 가린 뒤 이를 복원하는 자기지도 학습 방법이다. 일부 연결만 남은 그래프에서 메시지를 전달하고 교차 상관 디코더로 연결을 추정한다.
BGRL
BGRL은 입력 그래프의 다른 증강 표현을 예측하는 방식으로 학습하는 그래프 표현 모형이다. 단순한 증강을 사용하면서 음성 예시와의 대조 필요를 줄여 큰 그래프를 다루도록 설계했다.
MVGRL
MVGRL은 그래프의 서로 다른 구조 관점을 대조해 노드와 그래프 전체의 표현을 배우는 자기지도 학습 방법이다. 직접 이웃 정보와 그래프 확산이 제공하는 관점을 함께 활용한다.
GRACE 그래프 대조 학습
GRACE는 그래프의 구조와 속성을 변형해 두 관점을 만들고 같은 노드의 표현을 맞추는 비지도 학습 방법이다. 그래프 전체 요약보다 노드 수준의 대조 목표에 초점을 둔다.
GraphCL 그래프 증강
GraphCL 그래프 증강은 서로 다르게 변형한 그래프의 표현을 대조하는 비지도 학습 방법이다. 그래프 자료의 성질을 반영한 증강으로 상관된 두 관점을 만들고 일관된 표현을 학습한다.
Deep Graph Infomax
Deep Graph Infomax는 그래프의 국소 표현과 높은 수준의 요약 사이의 상호 정보를 높여 노드 표현을 학습하는 방법이다. 표지 없이 배운 노드 주변 표현을 후속 과제에 활용한다.
InfoGraph
InfoGraph는 그래프 전체의 표현과 여러 규모 부분 구조의 표현 사이의 상호 정보를 높이는 방법이다. 그래프 분류처럼 하나의 그래프를 단위로 다루는 비지도 표현 학습을 목표로 한다.
DFCN
DFCN은 오토인코더와 그래프 오토인코더의 표현을 융합하는 심층 군집화 방법이다. 그래프 구조와 노드 속성의 상호 의존성을 이용해 합의 표현과 학습 목표를 구성한다.
SDCN
SDCN은 오토인코더의 표현과 그래프 합성곱 신경망의 구조 정보를 함께 사용하는 심층 군집화 방법이다. 층별 표현을 전달하는 연산과 이중 자기 감독으로 두 구조를 연결한다.
DAEGC
DAEGC는 그래프의 연결 구조와 노드 내용을 어텐션으로 표현하고 군집화와 함께 학습하는 방법이다. 그래프 임베딩에서 만든 부드러운 표지를 이용해 군집 결과를 반복적으로 정제한다.
변분 그래프 오토인코더
변분 그래프 오토인코더는 그래프 구조 자료에서 잠재 변수를 학습하는 비지도 모형이다. 변분 오토인코더의 틀에 그래프 합성곱 인코더와 내적 디코더를 결합한다.
심층 부분공간 군집화 신경망
심층 부분공간 군집화 신경망은 오토인코더의 인코더와 디코더 사이에 자기 표현 층을 넣는 비지도 군집화 방법이다. 잠재 공간에서 자료점 사이의 쌍별 친화도를 학습한다.
DEPICT 군집화
DEPICT는 합성곱 오토인코더 위에 다항 로지스틱 회귀를 결합하는 심층 군집화 방법이다. 군집화 손실과 재구성 손실을 함께 최소화해 임베딩과 군집 배정을 학습한다.
JULE
JULE은 영상 군집화와 심층 표현 학습을 하나의 순환 과정으로 결합하는 방법이다. 순전파에서는 군집을 갱신하고 역전파에서는 그 결과를 감독 신호로 사용해 표현을 학습한다.
DEC 심층 임베딩 군집화
DEC는 심층 신경망으로 특징 표현과 군집 배정을 동시에 학습하는 방법이다. 원 자료를 낮은 차원의 특징 공간으로 옮기고 현재 군집 배정에서 만든 목표를 반복적으로 최적화한다.
IDEC
IDEC는 군집화 손실에 오토인코더의 재구성 손실을 결합해 국소 구조를 보존하려는 심층 군집화 방법이다. 특징 표현과 군집 배정을 함께 최적화하면서 임베딩의 변형을 제약한다.
VaDE
VaDE는 가우스 혼합 모형과 변분 오토인코더를 결합한 비지도 생성 군집화 방법이다. 군집을 고르고 잠재 표현을 생성한 뒤 신경망으로 관측 자료를 만드는 과정을 모델링한다.
CC 대조 군집화
CC 대조 군집화는 표본 수준과 군집 수준의 대조 학습을 동시에 수행하는 온라인 군집화 방법이다. 특징 행렬의 행을 표본의 부드러운 표지로 열을 군집 표현으로 해석한다.
SPICE 영상 군집화
SPICE는 표본 유사도를 배우는 특징 모형과 군집 의미를 구별하는 헤드를 나누어 학습하는 영상 군집화 방법이다. 정답 표지 없이 두 종류의 의미 의사 표지를 이용한다.
AutoNovel
AutoNovel은 다른 클래스의 표지 예시를 활용해 영상 집합에서 새로운 클래스를 발견하고 학습하는 방법이다. 자기지도 표현과 순위 통계 및 표지 유무를 아우르는 공동 학습을 결합한다.
SimGCD
SimGCD는 일반화 범주 발견에서 엔트로피 정규화를 사용하는 모수적 분류 기준선이다. 알려진 범주 쪽으로 치우치는 예측과 불안정한 의사 표지를 분석해 분류기 학습을 개선한다.
UNO 신규 클래스 발견
UNO는 알려진 클래스와 새로운 클래스에 하나의 분류 목적을 적용하는 신규 클래스 발견 방법이다. 여러 관점의 자기 표지로 만든 의사 표지를 정답 표지와 같은 방식으로 처리한다.
일반화 범주 발견
일반화 범주 발견은 무표지 영상에 알려진 클래스와 새로운 클래스가 함께 섞여 있을 때 모든 영상을 범주화하는 문제다. 새 클래스의 수가 미리 주어진다는 가정도 완화한다.
ABC 보조 균형 분류기
ABC는 기존 반지도 학습 모형의 표현 층에 단일 층 보조 분류기를 붙이는 클래스 불균형 대응 방법이다. 전체 자료에서 배운 표현을 사용하면서 보조 분류기를 균형 있게 학습한다.
DASO
DASO는 유사도 기반 의사 표지와 선형 분류기의 의사 표지를 클래스별로 섞는 불균형 반지도 학습 방법이다. 클래스 불균형과 표지 및 무표지 자료 사이의 분포 불일치를 함께 다룬다.
CReST
CReST는 의사 표지 표본을 추가해 표지 자료를 확장하고 반지도 모형을 반복 학습하는 클래스 재균형 방법이다. 추정한 클래스 분포에 따라 소수 클래스 표본을 더 자주 선택한다.
DARP 의사 표지 정제
DARP는 클래스가 불균형한 반지도 학습에서 편향된 의사 표지를 부드럽게 정제하는 방법이다. 다수 클래스에 치우친 예측을 보정하는 과정을 볼록 최적화 문제로 구성한다.
USB 반지도 학습 벤치마크
USB는 영상과 자연어 및 오디오 분류에서 반지도 학습 방법을 공통으로 평가하는 벤치마크다. 사전 학습 모형과 확장 가능한 코드 기반을 제공해 여러 영역의 비교를 구성한다.