BAED：解释在环中的少样图学习新范式
机器学习
2026-03-03 v1
摘要
在图表示学习领域，训练和推理在少样环境中的挑战依然存在。由于需要大量专家知识来标注图数据，标签的质量和数量往往不足。针对这一问题，发展出了许多少样图学习（FSGL）方法。通过精细的神经网络结构和定制的训练管道，这些方法增强了模型对新标签分布的适应性。然而，这些方法可能在模型的鲁棒性和可解释性方面进行妥协，导致对标记数据中的噪声过度拟合并降低性能。本文引入首个针对FSGL问题的解释在环框架，称为BAED。我们首次运用信念传播算法促进图上的标签增强。随后，利用辅助图神经网络和梯度反向传播方法，Our框架有效提取围绕目标节点的解释性子图。最终预测基于这些信息丰富的子图，同时减轻来自相邻节点的冗余信息的影响。在七个基准数据集上的广泛实验表明，BAED在预测准确率、训练效率和解释质量方面均表现出优异。作为先驱，本工作凸显了解释性方法在FSGL中的潜在价值。
引用
@article{arxiv.2603.01941,
title = {BAED: a New Paradigm for Few-shot Graph Learning with Explanation in the Loop},
author = {Chao Chen and Xujia Li and Dongsheng Hong and Shanshan Lin and Xiangwen Liao and Chuanyi Liu and Lei Chen},
journal= {arXiv preprint arXiv:2603.01941},
year = {2026}
}
备注
Accepted to Neural Networks 2026