IJCAIMay, 2022

使用分层任务图的少样本图分类模型 FAITH

PDF
TL;DR提出了一种新的少样本学习框架 FAITH，通过构建分层任务图并设计基于损失的采样策略来捕获任务相关性，利用学习到的任务之间的相关性进行少样本图分类，实验结果表明其在四个流行的少样本图分类数据集上表现优于其他现有方法。
few-shot learninggraph classificationtask correlationshierarchical task graphstate-of-the-art
发现论文，激发创造
  • 图少样本类增量学习

    本研究探讨在图模型中实施分类增量学习的挑战性实际问题，提出了基于伪增量学习和分层注意力的图元学习框架，通过这些设计实验得出了该模型在图模型中表现出更好的增量学习效果。

    Dec, 2021

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 多标签图聚合知识的多标签少 / 零样本学习

    这篇研究提出了一种基于多种语义信息的多图聚合模型以增强多标签零 / 少样本文档分类效果，并在多个数据集上进行了实验验证。

    Oct, 2020

  • 基于元度量学习的小样本学习

    本文提出一种基于元度量学习的学习方法，在 $k$-shot $N$-way 和多样化领域任务及灵活标签数量等新设置中均具有优异性能。

    Jan, 2019