具有任务特定结构的图少样本学习
机器学习
2022-10-24 v1 社会与信息网络
摘要
图少样本学习在各种图学习任务中具有重要意义。在少样本场景下,模型通常被要求在给定有限标记样本的情况下进行分类。现有的图少样本学习方法通常利用图神经网络(GNNs)并在一系列元任务上进行分类。然而,这些方法一般依赖于原始图(即采样元任务的图)来学习节点表示。因此,每个元任务中使用的图结构是相同的。由于不同元任务的类别集合不同,节点表示应以任务特定的方式学习以提升分类性能。因此,为了跨元任务自适应地学习节点表示,我们提出了一种新颖的框架,为每个元任务学习一个任务特定的结构。为处理跨元任务节点的多样性,我们基于节点影响和互信息提取相关节点并学习任务特定结构。通过这种方式,我们可以利用为每个元任务定制的任务特定结构来学习节点表示。我们进一步在五个节点分类数据集上于单图和多图设置下进行了大量实验,以验证我们的框架相对于最先进基线的优越性。我们的代码见 https://github.com/SongW-SW/GLITTER。
引用
@article{arxiv.2210.12130,
title = {Graph Few-shot Learning with Task-specific Structures},
author = {Song Wang and Chen Chen and Jundong Li},
journal= {arXiv preprint arXiv:2210.12130},
year = {2022}
}
备注
Accepted to NeurIPS 2022