KDDMay, 2022

Geometer: 基于原型表示的图神经网络少样本类增量学习

PDF
TL;DR本研究提出了一种基于几何特征的图少样本增量学习方法，使用最近类原型来预测节点标签，并引入师生知识蒸馏和选择性采样以应对 catastrophic forgetting 和不平衡标记问题，实验结果表明该方法在四个公共数据集上的表现显著优于现有的技术。
graph neural networkfew-shot learningknowledge distillationclass-incremental learningmetric learning
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

  • 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

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • 少样本类增量学习

    该研究重点关注 CNN 模型在少数有标记样本的情况下如何对新类别进行增量式学习，并提出了基于神经气网络的知识表示和 TOpology-Preserving knowledge InCrementer (TOPIC) 框架来解决这一问题，实验结果表明该方法在几个数据集上优于当前最先进的类增量学习方法。

    Apr, 2020

  • 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

  • GPr-Net：几何原型网络用于点云少样本学习

    提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。

    Apr, 2023

  • 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

  • 构建用于少样本类增量学习的样本到类别图

    基于样本到类的图学习方法（Sample-to-Class，S2C）的小样本增量学习（Few-shot class-incremental learning，FSCIL）对于从少量数据样本中学习新概念且不忘记旧类别的知识具有重要意义。本文提出了样本级图网络（Sample-level Graph Network，SGN）和类别级图网络（Class-level Graph Network，CGN）来分析样本之间的关系，并通过多阶段的训练策略来提高模型的学习能力。实验证明，该方法在 FSCIL 中明显优于基线模型，取得了新的最先进结果。

    Oct, 2023

  • 增强对比图到图记忆交互用于少样本连续学习

    通过引入 Local Graph Preservation 机制和 Contrast-Augmented G2G 来减轻 catastrophic forgetting 和处理新 session 中类别的样本稀缺问题，本方法在 CIFAR100、CUB200 和 ImageNet-R 数据集上对比实验证明其优越性。

    Mar, 2024

  • DiGeo: 基于几何感知的判别式学习进行广义少样本目标检测

    DiGeo 通过学习基于几何意义的特征来增强少样本目标检测的鲁棒性，并成功地实现了对新类别的泛化，同时不影响对已知类别的检测精度。

    Mar, 2023