基于自适应频谱专家和跨集分布校准的图少样学习
机器学习
2025-10-23 v2
摘要
图少样学习因其仅需有限标记节点即可快速适应新任务而受到越来越多的关注。尽管现有图少样学习方法取得了显著进展，但仍存在若干关键局限性。首先，大多数现有方法依赖于预定义且统一的图滤波器(如低通或高通滤波器)在全局范围内增强或抑制节点频率信号。这种固定的谱操作未能考虑到真实世界图中固有的局部拓扑结构异质性。此外，这些方法通常假设支持集和查询集来自相同的分布。然而，在少样本条件下，支持集中有限的标记数据可能不足以充分捕捉查询集的复杂分布，从而导致次优的泛化。为此，我们提出了 grace，一种新的图少样学习框架，集成了自适应频谱专家和跨集分布校准技术。理论上，所提出的方法通过适应局部结构变化和跨集分布校准来增强模型的泛化能力。经验上，grace 在广泛的实验环境下 consistently 超越了 state-of-the-art 的基线。我们的代码可在此处找到。
引用
@article{arxiv.2510.12140,
title = {Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration},
author = {Yonghao Liu and Yajun Wang and Chunli Guo and Wei Pang and Ximing Li and Fausto Giunchiglia and Xiaoyue Feng and Renchu Guan},
journal= {arXiv preprint arXiv:2510.12140},
year = {2025}
}
备注
NeurIPS25