面向零样本图嵌入的语义知识扩展
机器学习
2021-03-24 v1
摘要
零样本图嵌入是监督图学习的一大挑战。尽管近期方法 RECT 展现出良好性能，其工作机制尚不清楚且仍需大量训练数据。本文中，我们深入剖析 RECT 并解决其根本局限。我们表明其核心部分是一个 GNN 原型模型，其中类原型由其均值特征向量描述。据此，RECT 将节点从原始输入特征空间映射到一个连接原始输入特征与可见及不可见类的中间层语义空间。该机制使 RECT 在可见与不可见类上均表现良好，但也降低了判别性。为发挥其全部潜力，我们提出两种标签扩展策略。具体而言，除扩展可见类的标记节点集外，我们也可扩展不可见类的标记节点集。在真实世界数据集上的实验验证了我们所提方法的优越性。
引用
@article{arxiv.2103.12491,
title = {Expanding Semantic Knowledge for Zero-shot Graph Embedding},
author = {Zheng Wang and Ruihang Shao and Changping Wang and Changjun Hu and Chaokun Wang and Zhiguo Gong},
journal= {arXiv preprint arXiv:2103.12491},
year = {2021}
}
备注
Accepted by DASFAA2021