E. 通过多代理任务学习
本文统计的大部分方法仅通过解决一个代理任务来训练模型 ， 只有少数混合方法探索多个代理任务的组合 。 然而 ， 不少 NLP 领域的与训练模型和本文所汇总的少数混合方法都说明了：不同的代理任务可以从不同的角度提供监督信号 ， 这更有助于图自监督方法学习到有用的信息表征 。 因此 ， 对多种代理任务的自适应组合 ， 以及更先进的混合方法值得进一步研究 。
F. 更广泛的应用
图是许多领域中普遍存在的数据结构；然而 ， 在大多数应用领域 ， 获取手动标签的成本往往很高 。 在这种情况下 ， 图自监督学习具有很好的前景 ， 特别是那些高度依赖专业知识来标注数据的领域 。 然而 ， 大多数现有的图自监督学习的实际应用仅集中在少数几个领域（推荐系统、异常检测和化学） ， 这表明图自监督在大多数应用领域具有未开发的潜力 。 我们有望将图自监督学习扩展到更广阔的应用领域 ， 例如 ， 金融网络、网络安全、社区检测和联邦学习等 。
推荐阅读
- 文章|美媒文章：古人类领域2021年六大新突破
- 核心|中科大陈秀雄团队成功证明凯勒几何两大核心猜想，研究登上《美国数学会杂志》
- 器件|6G、量子计算、元宇宙…上海市“十四五”聚焦这些前沿领域
- 领域|上海市电子信息产业“十四五”规划：以集成电路为核心先导
- VIA|x86研发团队卖给Intel后 VIA出售厂房和设备：北美分部就此终结
- 前瞻|6G、量子计算、元宇宙……上海市“十四五”聚焦这些前沿新兴领域
- 团队|深信院41项科研项目亮相高交会 11个项目获优秀产品奖
- 产品|数梦工场通过CMMI V2.0 L5评估，再获全球软件领域最高级别认证加冕
- 团队|玉米和水稻基因组引导编辑效率提高3倍
- 电磁场|首届全国颠覆性技术创新大赛领域赛（青岛）举办