面向属性网络少样本学习的图原型网络

属性网络如今在社交网络分析、金融欺诈检测和药物发现等众多高影响力应用中无处不在。作为属性网络上的核心分析任务，节点分类已受到研究界的广泛关注。在真实世界的属性网络中，很大一部分节点类别仅包含有限的标注实例，呈现出长尾节点类别分布。现有的节点分类算法无法处理少样本（few-shot）节点类别。作为补救，少样本学习已引起研究界的激增关注。然而，少样本节点分类仍是一项具有挑战性的问题，因为我们需要解决以下疑问：(i) 如何从属性网络中提取用于少样本节点分类的元知识？(ii) 如何识别每个标注实例的信息量以构建鲁棒且有效的模型？为回答这些问题，本文提出一种图元学习框架——图原型网络（GPN）。通过构建半监督节点分类任务池以模拟真实测试环境，GPN 能够在属性网络上执行元学习（meta-learning）并推导出高度可泛化的模型来处理目标分类任务。大量实验证明了 GPN 在少样本节点分类中的优越能力。