基于边标注的有向门控图网络用于少样本学习
计算机视觉与模式识别
2021-01-28 v1
摘要
现有基于图网络的少样本学习方法通过卷积神经网络（CNN）获取节点间相似度。然而，CNN 是为具有空间信息的图像数据而非向量形式节点特征设计的。本文中，我们提出了一种基于边标注的有向门控图网络（DGGN）用于少样本学习，其利用门控循环单元隐式更新节点间相似度。DGGN 由门控节点聚合模块和基于改进门控循环单元（GRU）的边更新模块组成。具体而言，节点更新模块采用利用边特征激活的门机制，实现可学习的节点聚合过程。此外，在边更新过程中采用改进的 GRU 单元计算节点间相似度。进一步，该机制有利于跨层 GRU 序列的梯度反向传播。在两个基准数据集上的实验结果表明，我们的 DGGN 取得了与最先进方法相当的性能。
引用
@article{arxiv.2101.11299,
title = {Edge-Labeling based Directed Gated Graph Network for Few-shot Learning},
author = {Peixiao Zheng and Xin Guo and Lin Qi},
journal= {arXiv preprint arXiv:2101.11299},
year = {2021}
}
备注
5 pages, 2 figures