跨异质性图少样本学习
机器学习
2023-08-11 v1 人工智能
摘要
近年来，异质图少样本学习被提出以解决异质图（HG）中的标签稀疏问题，异质图包含多种类型的节点与边。现有方法通过将源异质图（或多个源异质图）中丰富标注类别提取的通用知识迁移到目标异质图中的少标注类别，取得了良好性能。然而，这些方法仅考虑了单异质性场景，即源与目标异质图共享固定的节点/边类型集合，忽略了更通用的跨异质性场景，其中每个异质图可具有不同且非固定的节点/边类型集合。为此，我们聚焦于尚未探索的跨异质性场景，并提出一种用于跨异质性图少样本学习的新模型，即 CGFL。在 CGFL 中，我们首先提取元模式以捕获异质信息，并提出多视图异质图神经网络（MHGN）来跨异质图学习元模式。然后，我们提出一个评分模块来衡量标注样本的信息量并确定每个源异质图的可迁移性。最后，通过将 MHGN 与评分模块集成到元学习机制中，CGFL 能够有效迁移通用知识以利用少标注数据预测新类别。在四个真实世界数据集上的大量实验证明了 CGFL 优于最先进方法的性能。
引用
@article{arxiv.2308.05275,
title = {Cross-heterogeneity Graph Few-shot Learning},
author = {Pengfei Ding and Yan Wang and Guanfeng Liu},
journal= {arXiv preprint arXiv:2308.05275},
year = {2023}
}