图对比学习遇见图元学习：一种用于少样本节点任务的统一方法
机器学习
2023-09-20 v1 人工智能
摘要
图神经网络（GNNs）在图表示学习（GRL）中已变得流行。一个基础应用是少样本节点分类。多数现有方法遵循元学习范式，展现出对少样本任务的快速泛化能力。然而，近期工作表明，图对比学习结合微调可显著优于元学习方法。尽管有经验性成功，对其背后原因的理解仍有限。在研究中，我们首先明确了对比学习相较元学习的两个关键优势，包括（1）图节点的充分利用与（2）图增强的威力。为在少样本节点分类任务上融合对比学习与元学习之长，我们引入新范式：对比式少样本节点分类（COLA）。具体而言，COLA 利用图增强识别语义相似节点，从而无需标签信息即可构建元任务。因此，COLA 能利用所有节点构建元任务，进一步降低过拟合风险。通过大量实验，我们验证了设计中各组件的必要性，并证明 COLA 在所有任务上均达到新的 SOTA（最优）性能。
引用
@article{arxiv.2309.10376,
title = {Graph Contrastive Learning Meets Graph Meta Learning: A Unified Method for Few-shot Node Tasks},
author = {Hao Liu and Jiarui Feng and Lecheng Kong and Dacheng Tao and Yixin Chen and Muhan Zhang},
journal= {arXiv preprint arXiv:2309.10376},
year = {2023}
}