为了对图结构数据建模，图学习，特别是利用图神经网络的深度图学习，最近引起了学术界和工业界的广泛关注。目前流行的图学习方法通常依赖于从“大”数据中学习，需要大量标注数据进行模型训练。然而，通常图与“小”标记数据关联，作为数据注释，在图上标记总是耗时和消耗资源。因此，在有限甚至没有标记数据的低资源环境下，研究人力监督下的图学习是非常必要的。在本教程中，我们将专注于图最小监督学习的最先进的技术，特别是一系列弱监督学习、少样本学习和自监督学习方法的图结构数据及其现实应用。本教程的目标是: (1) 对图最小监督学习中的问题进行正式的分类，并讨论不同学习场景下的挑战; (2) 全面回顾了图最小监督学习的现有和最新进展; (3) 阐明有待解决的问题和未来的研究方向。本教程介绍了最小监督学习中的主要主题，并为图学习的新前沿提供了指南。我们相信本教程对研究人员和实践者是有益的，允许他们在图学习上合作。

链接：https://drive.google.com/file/d/1EwaNpELlT_uiA4mfQU8wpR3Kzvi_exSW/view

内容中包含的图片若涉及版权问题，请及时与我们联系删除