Geometer：基于原型表示的图少样本类增量学习
人工智能
2022-06-06 v2
摘要
随着图数据的急剧扩张，节点分类在许多实际应用中显示出其重要性。现有的基于图神经网络的方法主要关注在标注丰富且类别固定的情况下对未标注节点进行分类。然而，在许多实际场景中，图会随着新节点和边的出现而演化。新类别随着其新出现或缺乏探索而增量出现，且标注极少。本文关注这一具有挑战性但实用的图少样本类增量学习（GFSCIL）问题，并提出一种称为 Geometer 的新方法。Geometer 不替换和重训全连接神经网络分类器，而是通过寻找最近的类原型来预测节点标签。原型是在度量空间中表示类的向量。随着新类别的出现，Geometer 通过观察几何邻近性、均匀性和可分性来学习和调整基于注意力的原型。进一步引入师生知识蒸馏和有偏采样，分别缓解灾难性遗忘和不平衡标注问题。在四个公开数据集上的实验结果表明，Geometer 比最先进的方法取得了 9.46% 到 27.60% 的显著提升。
引用
@article{arxiv.2205.13954,
title = {Geometer: Graph Few-Shot Class-Incremental Learning via Prototype Representation},
author = {Bin Lu and Xiaoying Gan and Lina Yang and Weinan Zhang and Luoyi Fu and Xinbing Wang},
journal= {arXiv preprint arXiv:2205.13954},
year = {2022}
}
备注
Accepted to KDD2022