无反向传播的图基神经网络少样本学习
人工智能
2025-12-23 v1
摘要
我们提出一种结构化图方法，用于在少样本情境下对轮廓图像进行分类，而无需使用反向传播。核心思想是将结构作为解释的载体：将图像编码为带属性的图（关键点和线条表示为具有几何属性的节点），通过概念吸引子的形成实现泛化（类级别概念图）。目的在于设计并实验验证一种架构，其中通过结构和参数化简从少量样本（每类5-6个）中形成类概念，提供可追溯的决策并消除反向传播。方法方面，轮廓矢量化后构建二分图（点/线为节点），包含归一化的几何属性如坐标、长度、角度和方向；简化包括消除不稳定的子结构或噪声，以及在关键点之间对路径的对齐。概念通过样本的迭代组合形成，分类通过选择最佳的图到概念匹配（使用近似GED）执行。结果表明，在每类5-6个基准样本的MNIST子集上（单轮迭代），我们实现了约82%的稳定准确率，决策可被完全追溯：误分类可通过显式的结构相似性得到解释。提供了与SVM、MLP、CNN以及度量和元学习基线的指示性比较。结构化图方案与概念吸引子实现了无反向传播的少样本学习，提供了通过显式图结构内置解释。局限性在于GED的计算成本和骨架化质量，展望包括分类算法优化、静态场景下的工作以及关联识别。
引用
@article{arxiv.2512.18412,
title = {Few-Shot Learning of a Graph-Based Neural Network Model Without Backpropagation},
author = {Mykyta Lapin and Kostiantyn Bokhan and Yurii Parzhyn},
journal= {arXiv preprint arXiv:2512.18412},
year = {2025}
}
备注
9 pages, 3 figures