元传播网络用于图少样本半监督学习

AAAIDec, 2021

元传播网络用于图少样本半监督学习

Meta Propagation Networks for Graph Few-shot Semi-supervised Learning

Kaize Ding, Jianling Wang, James Caverlee, Huan Liu

TL;DR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。

Abstract

Inspired by the extensive success of deep learning, graph neural networks (GNNs) have been proposed to learn expressive node representations and demonstrated promising performance in various graph learning tasks. However, existing endeavors predominately focus on the conventional semi-

graph neural networks semi-supervised learning meta-learning few-shot learning label propagation

发现论文，激发创造

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

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

元图学习中的小样本节点分类 Meta-GNN

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。

May, 2019

少量标签图神经网络的信息伪标记

本研究提出了一种新的信息伪标签框架（InfoGNN），以最大化互信息为基础，通过伪标签化最具信息代表性的节点来促进使用极少数标记的 GNN 的学习。同时，也提出了一个广义交叉熵损失函数，并使用类平衡正则化来解决潜在的标签噪音和类不平衡问题。实验证明，该方法在六个真实图数据集上显著优于基线和强自监督方法。

Jan, 2022

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

少样本学习的混合图神经网络

本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

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

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

DPGN: 分布传播图网络用于 Few-shot 学习

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。

Mar, 2020