COHF 是一种新颖的因果关系离群值异构图少样本学习模型,通过结构因果模型和变分自动编码器异构图神经网络的组合,有效地解决了异构图少样本学习中因分布偏移导致的超出分布泛化问题。对于在七个真实世界数据集上的实验证明了 COHF 相较于现有方法具有更出色的性能。
Jan, 2024
少样本学习与异构图 (FLHG) 的研究引起了学术界和工业界的广泛关注,该研究旨在解决异构图中标签稀疏性导致的性能下降问题。本文从单一异构性 FLHG、双重异构性 FLHG 和多重异构性 FLHG 三个分类角度对现有 FLHG 方法进行全面综述,并分析每个分类中的研究进展,突出最新的和具有代表性的发展。最后,我们确定并探讨了 FLHG 未来研究的有希望的方向。据我们所知,本文是第一篇系统全面综述 FLHG 的论文。
Mar, 2024
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
本文提出了一种名为 LFH 的超图学习框架,能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习,在多个数据集上的实验证明其有效性。
Jul, 2023
提出了一种新的多尺度元路径集成的异构图对比学习模型(M2HGCL),该模型通过扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息和扩展元路径邻居信息,以充分捕捉判别信息,并进一步采用特定的正采样策略来纠正对比学习的内在缺陷,即困难负样本采样问题。通过在三个真实数据集上进行广泛实验,证明了 M2HGCL 模型优于目前最先进的基准模型。
Sep, 2023
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
通过利用自监督学习,我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN),并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。
Apr, 2024
本文提出一种基于图卷积的全局原型网络(GcGPN)的图形框架,该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系,以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中,为广义小样本学习(GFSL)中的快速适应和全局区分提供了解决方案。
Jul, 2019
本文提出了 FedHGN,这是一种新颖而通用的 FGL 框架,用于异构图神经网络,采用模式权重分离来启用模式不可知知识共享,并采用系数对齐来稳定训练过程和提高 HGNN 性能,确保更好的隐私保护,FedHGN 在三个异构图数据集上的表现优于本地训练和传统的 FL 方法。
May, 2023
针对数据稀缺的城市,在跨城市知识转移的基础上,提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL,用于从城市之间不规则的时空相似性中提高特征提取的质量,重构图结构以实现结构感知学习并提高交通速度预测的准确性。
May, 2022