GSHOT: 用于标记图的小样本生成建模

Jun, 2023

GSHOT: 用于标记图的小样本生成建模

GSHOT: Few-shot Generative Modeling of Labeled Graphs

Sahil Manchanda, Shubham Gupta, Sayan Ranu, Srikanta Bedathur

TL;DR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。

Abstract

deep graph generative modeling has gained enormous attraction in recent years due to its impressive ability to directly learn the underlying hidden graph distribution. Despite their initial success, these techniques, like much of the existing deep generative methods, require a large nu

deep graph generative modeling few-shot learning meta-learning labeled graph generative modeling gshot

发现论文，激发创造

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

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

利用图神经网络进行小样本学习

本文提出通过部分观察的图模型推断来研究少样本学习问题，结合传递消息推断算法与神经网络的图神经网络架构，可以泛化多个最近提出的少样本模型，并可以扩展到半监督学习和主动学习等少样本学习变种，展示了图形模型在关系型任务上操作的能力。

Nov, 2017

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

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

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

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

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

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

HyperShot: 基于核超网络的少样本学习

本文提出了 HyperShot—— 一种融合内核和超网络范例的高效 few-shot 学习方法，它利用超网络从支持的数据中返回算法分类器手工制作的参数，并通过内核表示支持数据的关系来适应高度不同的任务。

Mar, 2022