弱监督少样本节点分类的鲁棒图元学习
组合数学
2021-06-15 v1 代数几何
摘要
图被广泛用于建模数据的关系结构，图机器学习(ML)的研究具有从分子图的药物设计到社交网络中的好友推荐等广泛应用。主流的图ML方法通常需要大量标注样本才能取得满意结果，而在真实场景中这通常不可行，因为图上新出现概念(如节点的新分类)的标注数据有限。尽管元学习已应用于不同的少样本图学习问题，现有多数工作主要假设那些已见类别的数据均为金标准标注，而当已见数据带有严重标签噪声的弱标注时，这些方法可能失效。因此，我们旨在研究一种新颖的弱监督图元学习问题，以提升模型在知识迁移方面的鲁棒性。为实现该目标，本文提出一种新的图元学习框架——图幻觉网络(Meta-GHN)。基于一种新的鲁棒性增强的情景训练，Meta-GHN经元学习可从弱标注数据幻觉出干净节点表示并提取高度可迁移的元知识，使模型能用少量标注样本快速适应未见过任务。大量实验证明了Meta-GHN在弱监督少样本节点分类任务上优于现有图元学习研究。
引用
@article{arxiv.2106.06872,
title = {Cauchy Formulas and Billey's Formulas for Generalized Grothendieck polynomials},
author = {Rui Xiong},
journal= {arXiv preprint arXiv:2106.06872},
year = {2021}
}
备注
a part of master thesis of the author