基于局部子图的图元学习

当前主流的图学习方法需要大量的标签和边信息。当新任务的数据稀缺时，元学习可以从先验经验中学习，并形成急需的归纳偏置，以便快速适应新任务。在此，我们介绍G-Meta，一种新颖的图元学习算法。G-Meta利用局部子图来传递子图特定信息，并通过元梯度更快地学习可迁移知识。G-Meta学习如何仅使用新任务中的少量节点或边来快速适应新任务，并通过从其他图或相关但不相交的标签集中的数据点学习来实现这一点。G-Meta在理论上是合理的，因为我们证明了一个预测的证据可以在目标节点或边周围的局部子图中找到。在七个数据集和九种基线方法上的实验表明，G-Meta的性能比现有方法高出16.3%。与以往方法不同，G-Meta在具有挑战性的少样本学习设置中成功学习，这些设置要求泛化到全新的图和从未见过的标签。最后，G-Meta可以扩展到大型图，我们在一个包含1,840个图的新生命之树数据集上证明了这一点，该数据集在图的规模上比先前工作增加了两个数量级。