通过情境学习推进图构少样本学习
人工智能
2026-05-26 v1
摘要
图构少样本学习旨在仅凭少量标记样本对图中的节点进行新类别分类，这是图构学习中一个广受关注的问题。然而，现有方法往往面临两个关键局限性。首先，主流的图构少样本学习范式依赖监督任务，无法利用图中大量未标记节点。其次，许多方法在推理阶段需要复杂的任务适应或微调，限制了其效率和适用性。灵感来自大型语言模型强大的情境学习能力，我们提出了一种新型模型，名为VISION（全称见文中），用于通过情境学习来推进图构少样本学习，以应对上述挑战。我们的模型将图构少样本学习重新定义为一个无需微调的序列推理问题。其核心是一个具备情境感知能力的网络，初始化节点时使用角色嵌入，并采用双情境融合模块来协同集成局部拓扑结构和全局任务级依赖关系。这使我们的模型能够在单次前向传播中，依据支持集的情境条件动态生成查询集的类别感知表示。为了有效训练我们的模型，我们引入了一个无监督任务生成器，该生成器从丰富的未标记数据中创建结构自适应特征并构建多样化的伪任务。我们的方法将无监督元学习与图构情境学习统一起来，实现了高效推理。在多个基准数据集上的大量实验表明，我们模型的优越性。我们的公开代码可在...
引用
@article{arxiv.2605.24410,
title = {Advancing Graph Few-Shot Learning via In-Context Learning},
author = {Renchu Guan and Yajun Wang and Chunli Guo and Bowen Cao and Fausto Giunchiglia and Wei Pang and Yonghao Liu and Xiaoyue Feng},
journal= {arXiv preprint arXiv:2605.24410},
year = {2026}
}
备注
KDD26