基于图谱度量的超类方法用于图上的少样本学习
机器学习
2022-05-03 v1 机器学习
摘要
我们提出研究图神经网络（GNNs）中的少样本图分类问题，即在给定有限标记图样本的情况下识别未见过的类别。尽管近期提出了若干用于节点和图分类任务的有趣 GNN 变体，但在少样本设定下面对稀少标记样本时，这些 GNNs 表现出显著的分类性能下降。在此，我们提出一种方法，基于图归一化拉普拉斯矩阵的谱为每个图分配一个概率度量。这使我们能够将与每个图相关联的图基标签相应地聚类为超类，其中 Lp Wasserstein 距离作为我们的底层距离度量。随后，基于超类构建的超图被输入我们提出的 GNN 框架，该框架利用超图显式化的潜在类间关系，以实现图间更好的类标签分离。我们对所提方法进行了详尽的实证评估，结果表明其优于将最先进图分类方法适配到少样本场景的方法以及我们的朴素基线 GNNs。此外，我们还扩展并研究了我们的方法在半监督和主动学习场景下的行为。
引用
@article{arxiv.2002.12815,
title = {Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures},
author = {Jatin Chauhan and Deepak Nathani and Manohar Kaul},
journal= {arXiv preprint arXiv:2002.12815},
year = {2022}
}
备注
19 pages, 9 figures, Published as a conference paper at ICLR 2020