用于少样本学习的混合图神经网络
计算机视觉与模式识别
2021-12-14 v1
摘要
图神经网络（GNNs）已被用于解决少样本学习（FSL）问题，并在转导设定下展现出巨大潜力。然而在归纳设定下，现有的基于GNN的方法竞争力较弱。这是因为它们将实例GNN用作标签传播/分类模块，并与特征嵌入网络联合元学习。该设计存在问题，因为分类器需要快速适应新任务而嵌入并不需要。为克服此问题，本文我们提出一种由实例GNN和原型GNN两个GNN组成的新型混合GNN（HGNN）模型。它们不作为标签传播，而是作为特征嵌入自适应模块，用于元学习特征嵌入向新任务的快速适配。重要的是，它们被设计用于处理FSL中基本却常被忽视的挑战，即每类仅有少量样本时，任何少样本分类器都会对采样不佳的样本敏感，这些样本或是离群点，或会导致类间分布重叠。大量实验表明，我们的HGNN在三个FSL基准上取得了新的最优（state-of-the-art）结果。
引用
@article{arxiv.2112.06538,
title = {Hybrid Graph Neural Networks for Few-Shot Learning},
author = {Tianyuan Yu and Sen He and Yi-Zhe Song and Tao Xiang},
journal= {arXiv preprint arXiv:2112.06538},
year = {2021}
}
备注
To appear in AAAI 2022