面向少样本节点分类的对比元学习

少样本节点分类旨在仅以少量有标签节点作为参考来预测图上节点的标签，在现实世界的图挖掘任务中具有重要意义。具体而言，本文将对仅有少量有标签节点的类别中的节点进行分类的任务称为少样本节点分类问题。为应对此类标签稀缺问题，现有工作通常采用元学习框架，该框架利用大量训练轮次（episode）从具有丰富有标签节点的类别中提取可迁移知识，并将该知识泛化到仅有少量有标签节点的其他类别。本质上，少样本节点分类的主要目标是学习在不同类别间可泛化的节点嵌入。为此，GNN编码器必须能够区分不同类别间的节点嵌入，同时对齐同一类别中节点的嵌入。因此，本工作中我们提出同时考虑模型的类内与类间可泛化性。我们提出了一种图上新颖的对比元学习框架，名为COSMIC，具有两项关键设计。首先，我们提出通过在每个episode中引入对比两步优化来显式对齐同一类别中的节点嵌入，从而增强类内可泛化性。其次，我们通过一种新颖的相似度敏感混合（mix-up）策略生成困难节点类别，从而加强类间可泛化性。在少样本节点分类数据集上的大量实验验证了我们的框架相对于最先进基线的优越性。我们的代码发布于 https://github.com/SongW-SW/COSMIC。