Jun, 2023

Few-shot节点分类的虚拟节点调整

HTML
PDF
TL;DR本研究提出一种名为Virtual Node Tuning (VNT)的创新方法，利用预训练图变换器作为编码器，在嵌入空间中注入虚拟节点作为软提示，以几个有标签的节点进行优化，以调节每个特定的FSNC任务的 node embeddings，通过集成基于图的伪提示演进模块的VNT-GPPE，可以处理基类中标记稀疏的情况，在四个数据集上的实验结果表明，该方法优于现有的最先进方法和完全监督的基线。
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

  • 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

  • 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

  • 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

  • 少样本节点分类的归纳线性探测

    本研究针对现有文献主要关注transductive few-shot node classification，忽视了broader few-shot learning community中广泛研究的inductive setting的问题，提出了一个特定的inductive few-shot node classification baseline方法，并通过实证研究凸显当前框架的局限性，期望为更好地理解meta-learning范式在图领域中的作用提供新途径。

    Jun, 2023

  • 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

  • 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

  • 稀标记图中的节点分类虚拟节点生成

    本研究针对稀标记图中的节点分类问题，提出了一种新颖的节点生成方法，通过将高质量合成节点注入图中，优化标记信息的传播。该方法通过解决一种新的优化问题，不仅保证了训练准确性，还提升了低置信度节点的标签传播质量，实验证明在多个基准数据集上表现出显著的性能提升。

    Sep, 2024

  • 快速图形锐度感知最小化以增强和加速少样本节点分类

    本研究解决了图神经网络在少样本节点分类（FSNC）任务中表现不佳的问题，提出了一种结合锐度感知最小化（SAM）和快速图形锐度感知最小化（FGSAM）算法的方法，以提高模型的泛化能力。研究表明，FGSAM在降低计算成本的同时，能更有效地找到损失函数的平坦最小值，显著提高了FSNC任务的性能，并在异质图的标准节点分类任务中也表现出竞争力。

    Oct, 2024