利用双曲空间与去噪扩散改进图小样本学习
机器学习
2026-05-01 v1 人工智能
摘要
图小样本学习专注于从少量标记节点中有效学习以快速适应新任务，已获得广泛的研究关注。尽管近期图小样本学习的进展已展现出有前景的性能，但现有方法仍存在几个关键局限性。首先，在元训练阶段，这些方法通常在欧几里得空间中执行节点表示学习，这往往无法捕捉现实世界图数据中固有的层次结构。其次，在元测试阶段，它们通常拟合一个仅从少数支持样本导出的经验目标分布，即使该分布显著偏离真实的底层分布。为了解决这些问题，我们提出了 IMPRESS，一个利用双曲空间和去噪扩散来改进图小样本学习的新框架。具体而言，我们的模型在双曲空间中学习节点表示，并通过去噪扩散机制丰富支持分布。理论上，IMPRESS 实现了更紧的泛化界。实证上，IMPRESS 在多个基准数据集上持续优于竞争基线。
引用
@article{arxiv.2604.27462,
title = {Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion},
author = {Yonghao Liu and Jialu Sun and Wei Pang and Fausto Giunchiglia and Ximing Li and Xiaoyue Feng and Renchu Guan},
journal= {arXiv preprint arXiv:2604.27462},
year = {2026}
}