元图学习中的小样本节点分类 Meta-GNN

May, 2019

元图学习中的小样本节点分类 Meta-GNN

Meta-GNN: On Few-shot Node Classification in Graph Meta-learning

Fan Zhou, Chengtai Cao, Kunpeng Zhang, Goce Trajcevski, Ting Zhong...

TL;DR提出了一种新的基于元学习的图分类模型 Meta-GNN，能够在非欧几里得领域解决节点分类问题，并在多个基准数据集上实现了较大幅度的性能改进和任务适应能力的提高。

Abstract

meta-learning has received a tremendous recent attention as a possible approach for mimicking human intelligence, i.e., acquiring new knowledge and skills with little or even no demonstration. Most of the existing meta-

meta-learning graph neural networks few-shot learning node classification task adaption

发现论文，激发创造

少样本节点分类对比度元学习

本文提出了一种名为 COSMIC 的图形式的新颖对比元学习框架，并通过丰富内部类可泛化性和生成硬节点类来增强跨类可泛化性，从而使少数样本节点分类的性能得到提升。

Jun, 2023

少样本节点分类的有监督图对比学习

本篇研究研究了在说名高成本的标注或标签问题下，如何使用监督图形对比学习，数据增强，子图编码和多尺度对比等机制，实现图形节点分类任务的有效编码器。实验表明，相比基于元学习的方法，这个新的框架可以显著提高少样本节点分类问题的性能。

Mar, 2022

任务等变图少样本学习

为解决图神经网络 (Graph Neural Networks) 在 few-shot 节点分类任务中标注样本不足的情况，本文提出了一种基于元学习的方法 Task-Equivariant Graph few-shot learning (TEG)，通过学习可转移的任务自适应策略，使用更少的训练元任务达到了最先进的分类性能。

May, 2023

元传播网络用于图少样本半监督学习

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021

元图：元学习的少样本链接预测

本文提出了一种基于元学习的 Meta-Graph 框架，该框架使用高阶梯度以及一个条件生成图神经网络初始化的学习图签名函数，可以在少量训练数据的情况下快速适应新图，并在收敛时获得更好的结果。

Dec, 2019

图对比学习遇见图元学习：一种针对少样本节点任务的统一方法

我们通过广泛的实验验证了对比学习和元学习相结合的新模式 COLA 在少样本节点分类任务中的重要性，并证明 COLA 在所有任务上都取得了新的最先进水平。

Sep, 2023

基于知识迁移的图少样本学习

本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

Oct, 2019

基于图原型网络的带属性网络小样本学习

本文提出一种基于图元学习的框架，名为 GPN，用于在属性网络上进行少样本节点分类任务，经过大量实验证明 GPN 模型的优越性。

Jun, 2020

多任务设置下的图表示学习的元学习方法

本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

Dec, 2020

跨图元算归纳节点分类

本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。

May, 2021