Teknologi.Bagian dari ensiklopedia.onlineCari/
BerandaKomputasi & perangkat lunakIII: Small: A New Machine Learning Paradigm Towards Effective yet Efficient Foundation Graph Learning Models
Proyek riset & pengembangan

III: Small: A New Machine Learning Paradigm Towards Effective yet Efficient Foundation Graph Learning Models

Ringkasan tujuan riset

Model fondasi graf menggabungkan multi-gradient descent, co-training variational expectation–maximization, dan meta-learning mixture-of-experts untuk generalisasi tugas, graf, serta domain yang berbeda secara efisien.

Komputasi & perangkat lunak1 rujukanProfil diperbarui
Lihat rujukanBandingkan proyek
Linimasa NSF 2321504Periode tercatat 2023-10-01 sampai 2027-09-30.NSF 2321504MulaiAkhir tercatat202320282023-10-012027-09-30
Linimasa dan catatan proyek

Tanggal dan TRL menurut catatan penerbit. Akhir periode dan target bukan bukti hasil riset.

Teknologi · CC BY 4.0 · Sumber data

Apa tujuan dan pendekatan risetnya?

Profil ini merangkum ruang lingkup proyek yang dipublikasikan National Science Foundation (NSF). Sumber diakses . Uraian pendekatan dan manfaat menyatakan tujuan pengembangan, kecuali sumber secara khusus melaporkan hasil.

Graf dunia nyata tidak lengkap dan memiliki atribut beragam sehingga satu model pretrained sulit konsisten. Proyek ini melatih beberapa tugas secara adil melalui optimasi multigradien serta augmentasi adaptif. Co-training multigraf memakai variational EM dan distilasi pengetahuan relasional, sedangkan meta-learning mixture-of-experts mengadaptasi pengetahuan ke domain jarang atau baru. Kerangka menargetkan generalisasi lintas struktur dengan biaya terjangkau, dan hasil kode, model, serta benchmark akan mendukung evaluasi kemampuan tersebut.

Baca uraian penerbit

Konteks pengembangan

Institusi penerima pada catatan
University of Notre Dame
Program
Info Integration & Informatics
Periode pendanaan tercatat
2023-10-01 → 2027-09-30

Proyek kolaboratif beberapa institusi diwakili oleh satu catatan penghargaan. Institusi di atas adalah penerima pada catatan tersebut.

Klasifikasi NSF

  • Directorate for Computer and Information Science and Engineering
  • Computing & AI Foundations

Label penerbit dipertahankan sebagai konteks. Bidang katalog merupakan pengelompokan editorial.

Apa yang diketahui tentang statusnya?

Status pendanaan menurut NSFAktif (catatan pendanaan NSF)

Catatan NSF tidak melaporkan tingkat kesiapan teknologi (TRL). Status pendanaan aktif atau berakhir bukan bukti keberhasilan riset.

Batas informasi

Profil merangkum tujuan dan pendekatan dalam abstrak pendanaan NSF. Status pendanaan tidak membuktikan keberhasilan riset, kesiapan teknologi, atau ketersediaan produk. Hasil dan performa belum diverifikasi secara independen; tinjauan ahli belum dilakukan.

Dasar profil

Metodologi dan batas pemeriksaan. Ringkasan berbahasa Indonesia disusun sebagai parafrasa editorial dengan pemeriksaan sumber primer oleh agen AI. Identitas, periode, serta status berasal dari catatan penerbit. Tinjauan ahli dan pengujian kinerja independen belum dilakukan; rujukan tidak menyiratkan dukungan atau sertifikasi NSF.