KDDMar, 2022

少样本节点分类的有监督图对比学习

PDF
TL;DR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。
graphsfew-shot node classificationsupervised graph contrastive learningdata augmentationmulti-scale contrast
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

  • 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

  • 极弱监督下的小样本节点分类

    该研究针对极度缺乏标记节点的 few-shot node classification 问题，提出了一个基于元学习框架的 X-FNC 模型，使用伪标记节点和元知识积累解决了极度弱监督信息下的分类问题。

    Jan, 2023

  • 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

  • 少样本节点分类的归纳线性探测

    本研究针对现有文献主要关注 transductive few-shot node classification，忽视了 broader few-shot learning community 中广泛研究的 inductive setting 的问题，提出了一个特定的 inductive few-shot node classification baseline 方法，并通过实证研究凸显当前框架的局限性，期望为更好地理解 meta-learning 范式在图领域中的作用提供新途径。

    Jun, 2023

  • 在低数据约束下探究图分类技术：一项综合研究

    本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

    Nov, 2023

  • 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

  • 图中的少样本学习：从元学习到预训练和提示

    综合分析了最近的 Graph 表示学习的发展情况，并提供了比较和未来方向，将现有研究系统分类为元学习方法、预训练方法和混合方法，并比较它们的优势和局限性，为 Few-shot 学习在图上的未来方向提供了引导。

    Feb, 2024

  • 基于度量的小样本图分类

    本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

    Jun, 2022

  • 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