ACLJan, 2023

FewShotTextGCN：基于 K-hop 邻域正则化的图少样本学习

PDF
TL;DRFewShotTextGCN 提出了一种新的方法，并引入了 K-hop 邻域正则化和自适应伪标签等技术，来解决在资源匮乏情况下学习效果不佳的问题，并在多语言文本分类任务中，表现优异。
发现论文，激发创造
  • 基于门控与注意力邻居聚合器的关系学习，用于少样本知识图谱完成

    本文提出了一个使用全局 - 局部框架的少样本关系学习方法，在全局阶段中，引入了一种新颖的门控和注意力邻居聚合器用于准确地集成少样本关系邻居的语义信息，并在局部阶段中使用基于元学习的 TransH 方法来模拟和推断复杂的关系，实验证明该模型在常用基准数据集 NELL-One 和 Wiki-One 上比最先进的 FKGC 方法表现更好，具有更好的 5-shot FKGC 性能。

    Apr, 2021

  • 跳跃采样：适用于非平稳环境的简单正则化图学习

    这篇论文讨论了在面对非平稳的数据环境时，如何通过使用抽样方式避免过拟合以提升图表示学习的性能并加以应用于推荐系统，实验结果显示该方法能够显著提高 GNN 模型的预测准确性并减轻平滑过度问题。

    Jun, 2020

  • k-hop 图神经网络

    本文介绍一种更有效的图神经网络 ——k-hop GNN，该网络可以从一个节点的 k - 跳邻域中汇总信息并识别基本图属性，可用于节点分类和图分类任务，并在标准数据集上取得较好或可比的表现

    Jul, 2019

  • 利用节点邻域改进知识图谱完成

    本文提出了一种通过图神经网络对实体邻域进行建模的增强型框架用于知识图谱补全，同时引入额外的边链接预测任务。评估结果表明，该框架简单且有效，并且能够做出可解释预测。

    Feb, 2023

  • Few-Shot 识别的知识图谱迁移网络

    该研究提出了一种基于知识图谱的网络模型，通过在少量训练数据的基础上进行信息传递和语义相关性分析，实现在大规模数据集上进行 few-shot 的学习，取得了较好的效果。

    Nov, 2019

  • AdarGCN: 自适应聚合 GCN 用于少样本学习

    提出了一种称为少样本少样本学习（Few-Shot Few-Shot Learning，FSFSL）的新型低数据训练设置，应用图卷积网络（GCN）和适应性聚合机制来解决原始和网络图像的有噪声和不相关图片的问题，以用于小样本学习任务。

    Feb, 2020

  • 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

  • 基于知识引导的多标签少样本学习在通用图像识别中的应用

    本文提出了一种基于知识图谱和深度神经网络的多标签图像识别框架，利用先验统计信息辅助多标签分析，减少对训练样本的依赖，并在传统多标签图像识别、少样本学习等领域取得了优于现有最先进方法的显著成果。

    Sep, 2020

  • 基于图神经网络的 Covid-19 药物重定位少样本链接预测

    该论文提出了一种归纳方法的关系图卷积神经网络 (inductive RGCN)，帮助在少样本训练时学习有效的关系嵌入，特别是在药物发现中的应用，利用该方法进行 COVID-19 的药物发现任务并发现了多个候选药物。

    Jul, 2020

  • 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