少样本节点分类的归纳线性探测

Jun, 2023

Inductive Linear Probing for Few-shot Node Classification

Hirthik Mathavan, Zhen Tan, Nivedh Mudiam, Huan Liu

TL;DR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。

Abstract

meta-learning has emerged as a powerful training strategy for few-shot node classification, demonstrating its effectiveness in the transductive setting. However, the existing literature predominantly focuses on t

meta-learning few-shot node classification inductive setting graph data

发现论文，激发创造

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

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

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

少样本文本分类的归纳网络

本文提出了一种基于归纳网络的元学习算法来实现少样本文本分类任务中的类别泛化，通过将动态路由算法与元学习相结合，学习出每个类别的泛化表示，并将其与新的查询样本进行比较，在英文情感分类和中文对话意图分类任务中验部，所获得的实验结果显示，该模型在泛化类别的表现上显著优于现有的最先进的方法。

Feb, 2019

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

学习传播标签：一种用于少样本学习的转导传播网络

本文提出了一种新的元学习方法 —— 传导传播网络（TPN），用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法，并在多个基准数据集上验证了其表现，结果表明 TPN 在有标签数量较少的情况下表现出色，取得最先进的结果。

May, 2018

元线性：探索针对少样本学习的简单元学习

本文探讨了在整个标签集上进行全分类的简单方法，并通过此方法在多个基准测试中取得了与现有技术相当的表现。同时，本文还对元学习与全分类目标在少样本学习中的权衡进行了深入分析。

Mar, 2020

在低数据约束下探究图分类技术：一项综合研究

本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

Nov, 2023