基于知识迁移的图少样本学习
机器学习
2020-05-12 v3 机器学习
摘要
针对半监督节点分类这一挑战性问题，已有大量研究。作为前沿方向，图神经网络（GNNs）近来引起了极大关注，其通过聚合邻居信息来更新每个节点的表示。然而，大多数 GNNs 层数较浅、感受野有限，在标记节点数量极少时尤其难以取得满意性能。为应对该挑战，我们创新性地提出了一种图少样本学习（GFL）算法，该算法融合从辅助图中学习到的先验知识，以提升目标图上的分类准确率。具体而言，一种由节点嵌入与图特定原型嵌入函数刻画的、可在辅助图与目标图之间共享的可迁移度量空间，促进了结构知识的迁移。在四个真实图数据集上的大量实验与消融研究证明了我们所提模型的有效性。
引用
@article{arxiv.1910.03053,
title = {Graph Few-shot Learning via Knowledge Transfer},
author = {Huaxiu Yao and Chuxu Zhang and Ying Wei and Meng Jiang and Suhang Wang and Junzhou Huang and Nitesh V. Chawla and Zhenhui Li},
journal= {arXiv preprint arXiv:1910.03053},
year = {2020}
}
备注
Full paper (with Appendix) of AAAI 2020