FAITH：基于层次化任务图的少样本图分类
机器学习
2022-05-10 v2 人工智能
摘要
少样本图分类旨在对图进行分类，给定每一类有限的标记图。为应对标记稀缺的瓶颈，近期工作提出引入少样本学习框架，以利用有限的标记图对图类进行快速适配。具体而言，这些工作提出在多样的元训练任务间积累元知识，然后将此类元知识泛化到具有不相交标签集的目标任务。然而，现有方法通常忽略元训练任务间的任务相关性，而将它们独立对待。尽管如此，此类任务相关性能够提升模型对目标任务的泛化能力，从而获得更好的分类性能。另一方面，由于大量元训练任务中的复杂组件，利用任务相关性仍非易事。为此，我们提出一种新颖的少样本学习框架 FAITH，其通过在不同粒度上构建层次化任务图来捕获任务相关性。接着我们进一步设计一种基于损失的采样策略，以选择具有更多相关类的任务。此外，提出一种任务特定分类器，利用所学得的任务相关性进行少样本分类。在四个流行的少样本图分类数据集上的大量实验证明了 FAITH 相对于其他最先进基线的优越性。
引用
@article{arxiv.2205.02435,
title = {FAITH: Few-Shot Graph Classification with Hierarchical Task Graphs},
author = {Song Wang and Yushun Dong and Xiao Huang and Chen Chen and Jundong Li},
journal= {arXiv preprint arXiv:2205.02435},
year = {2022}
}
备注
IJCAI-ECAI 2022