KDDMay, 2023

任务等变图少样本学习

PDF
TL;DR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。
graph neural networksfew-shot learningmeta-learningtask-equivariant graphnode classification
发现论文，激发创造
  • 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

  • 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

  • 多任务设置下的图表示学习的元学习方法

    本文提出了一种新的元学习策略，能够生成可用于多个任务的多任务节点嵌入，并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难，是模型不可知和任务不可知的，适用于各种多任务领域。

    Dec, 2020

  • 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

  • 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

  • 基于边标记的图神经网络用于少样本学习

    本文提出了一种新的边缘标记图神经网络（EGNN），在这种网络中，改进了少样本学习和显式聚类，通过直接利用内部聚集相似性和集群间不相似性的迭代边缘标记更新，我们学习预测边缘标签，而不是节点标签，使训练后的模型能够解决各种数量的类别问题，并能很容易地扩展到执行传导式推理。EGNN 模型的参数通过周期性训练和标记损失来学习，从而得到一个适用于未见数据问题的泛化能力良好的模型，在两个基准数据集上的监督和半监督少样本图像分类任务中，EGNN 显著提高了现有 GNN 方法的性能。

    May, 2019

  • 使用分层任务图的少样本图分类模型 FAITH

    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。

    May, 2022

  • 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

  • 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