具有极弱监督的小样本节点分类

小样本节点分类旨在以少量有标签节点作为参考对节点进行分类。近期的小样本节点分类方法通常从具有充足有标签节点的类别（即元训练类别）中学习，再泛化至具有少量有标签节点的类别（即元测试类别）。然而，在真实世界图中，许多类别通常难以获得充足的有标签节点。实际上，每个元训练类别仅能由若干有标签节点组成，这被称为极弱监督问题。在小样本节点分类中，由于元训练的有标签节点极为有限，元训练与元测试间的泛化差距将变大，从而导致次优性能。为应对该问题，我们研究了一种新颖的极弱监督小样本节点分类问题，并在主流元学习框架下提出了一个原则性框架 X-FNC。具体而言，我们的目标是在极弱监督下跨不同元训练任务积累元知识，并将此类知识泛化至元测试任务。为应对由极稀缺有标签节点带来的挑战，我们提出两个关键模块以获取伪标签节点作为额外参考，并从极有限的监督信息中有效学习。我们进一步在四个具有极弱监督的节点分类数据集上进行了大量实验，以验证我们的框架相较于最先进基线的优越性。