GSHOT：少样本有标签图生成建模
机器学习
2023-12-15 v2 人工智能
摘要
深度图生成建模近年来因其直接学习潜在隐藏图分布的惊人能力而获得了巨大关注。尽管取得了初步成功，这些技术如同许多现有深度生成方法一样，需要大量训练样本才能学到好的模型。遗憾的是，在诸如罕见疾病药物发现等场景中，大量训练样本可能并不总是可得。与此同时，少样本学习的最新进展为可用训练数据有限的应用打开了大门。在这项工作中，我们引入了迄今未被探索的少样本图生成建模范式。为此，我们开发了 GSHOT，一个基于元学习的少样本有标签图生成建模框架。GSHOT 学习从相似的辅助图数据集中迁移元知识。利用这些先验经验，GSHOT 通过自步微调快速适应未见过的图数据集。通过在来自不同领域且训练样本有限的数据集上进行大量实验，我们证实 GSHOT 生成的图相比现有基线具有更优的保真度。
引用
@article{arxiv.2306.03480,
title = {GSHOT: Few-shot Generative Modeling of Labeled Graphs},
author = {Sahil Manchanda and Shubham Gupta and Sayan Ranu and Srikanta Bedathur},
journal= {arXiv preprint arXiv:2306.03480},
year = {2023}
}
备注
Accepted in Learning on Graph Conference (LOG,2023),https://openreview.net/forum?id=Hy9K2WiVwW