CPT：面向少样本节点分类的能力渐进式训练策略
机器学习
2025-07-01 v5
摘要
图神经网络（GNN）在节点分类方面取得了显著进展，但其成功依赖于训练数据中每个类别拥有充足的标记节点。现实世界的图数据通常呈现长尾分布且标签稀疏，这凸显了 GNN 在少样本节点分类能力上的重要性，即用有限数据对节点进行分类。传统的情景式元学习方法在该领域展现出潜力，但面临一个固有局限：由于随机且均匀的任务分配且忽视任务难度级别，可能导致模型收敛至次优解。这可能使元学习器过早面对复杂任务，从而阻碍正常学习。理想情况下，元学习器应像人类学习一样，从简单概念开始逐步过渡到复杂概念。因此，我们提出了 CPT，一种新颖的两阶段课程学习方法，将任务难度与元学习器渐进的能力相匹配，以提升整体性能。具体而言，在 CPT 的初始阶段，重点关注较简单的任务，为后续处理复杂任务培养基础技能。重要的是，第二阶段根据元学习器不断增长的能力动态调整任务难度，旨在实现最佳的知识获取。在流行节点分类数据集上的大量实验表明，我们的策略相比现有方法有显著提升。
引用
@article{arxiv.2402.00450,
title = {CPT: Competence-progressive Training Strategy for Few-shot Node Classification},
author = {Qilong Yan and Yufeng Zhang and Jinghao Zhang and Jingpu Duan and Jian Yin},
journal= {arXiv preprint arXiv:2402.00450},
year = {2025}
}
备注
APWEB-WAIM 2025