CVPRMar, 2020

DPGN: 分布传播图网络用于 Few-shot 学习

PDF
TL;DR提出了一种基于图网络的元学习方法，并将其扩展到 1 对 N 的分布级关系建模上，最终构建了一个名为 DPGN 的新方法来进行 few-shot learning，同时使用双重完整图网络来结合分布级关系和实例级关系，可在几代更新中将标签信息从已标记的示例传播到未标记的示例。在 few-shot learning 基准测试上，DPGN 在受监督和半监督设置下都比最先进的结果表现更好。
发现论文，激发创造
  • 重新思考零样本学习的知识图谱传播

    本文介绍了一种基于图卷积神经网络、知识图谱和 Dense Graph Propagation 模块的两阶段训练方法，针对多层架构中节点之间的信息传播问题提出了一种精心设计的直接连接方法，通过加权方案进一步提高了信息在图中的传播效率，实验结果表明，该方法在零样本学习中具有优异的性能表现。

    May, 2018

  • 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

  • 图元学习中的传播学习

    本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

    Sep, 2019

  • 学习传播标签：一种用于少样本学习的转导传播网络

    本文提出了一种新的元学习方法 —— 传导传播网络（TPN），用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法，并在多个基准数据集上验证了其表现，结果表明 TPN 在有标签数量较少的情况下表现出色，取得最先进的结果。

    May, 2018

  • 基于类别图的弱监督少样本学习的原型传播网络 (PPN)

    本文介绍一种基于原型传播网络 (PPN) 的元学习方法来改善少样本分类任务的性能，该方法可以使用粗标签进行弱监督，通过原型在类别图上的传播来学习注意机制以实现不同少样本任务上的高准确率。

    May, 2019

  • 分布式保持图表示学习

    本文介绍了分布保持图神经网络（DP-GNN），它可以提高具有表现力的 GNN 模型的泛化能力，并在多个基准数据集上的图分类任务中取得了最优结果。

    Feb, 2022

  • 可微的物理信息图神经网络

    本文提出了一种名为 Differentiable Physics-informed Graph Networks （DPGN）的新型架构，通过在潜在空间中隐式地告知物理知识，将它纳入神经网络中，以提高气候预测效果，并证实了该模块的有效性以及在归纳学习和多步预测等领域的其他应用。

    Feb, 2019

  • 通过 MLPs 揭示图学习的潜在潜力：利用传播式 MLPs 的有效图学习器

    通过知识蒸馏从图神经网络导师中训练学生多层感知机，将 KD 过程重新构建为使学生模型在知识蒸馏中显式学习结构信息，并提出了一个有效的方法 Propagate & Distill (P&D)，通过真实世界基准数据集的综合评估表明了 P&D 的有效性和对学生模型性能的进一步提升。

    Nov, 2023

  • GSHOT: 用于标记图的小样本生成建模

    本文提出了一种基于元学习的模型 ——GSHOT，用于少样本有标签图生成。通过将元知识从类似的辅助图数据集中传递过来，GSHOT 能够快速自适应到未见过的图数据集，并通过自学习微调生成具有优越保真度的图，相对于现有基线拥有更好的性能。

    Jun, 2023

  • 指针图网络

    本研究介绍了一种称为 Pointer Graph Networks（PGNs）的方法，该方法可将集合或图形增强为具有附加的推断边，从而提高模型的一般化能力。该方法直接受监督以对经典数据结构的长期操作进行建模，并综合了来自理论计算机科学的有用结构归纳偏差

    Jun, 2020