归纳图少样本类别增量学习
机器学习
2024-11-12 v1
摘要
在固定标签集下使用图神经网络（GNN）进行节点分类已广为人知，这与图少样本类别增量学习（GFSCIL）形成对比，后者涉及随着图节点和类别随时间增长来学习 GNN 分类器。我们提出了归纳 GFSCIL，在增量训练过程中持续学习新类别，同时在不访问先前数据的情况下保持对旧类别的性能。这解决了归纳 GFSCIL 的实际关注点，即归纳 GFSCIL 需要存储包含历史数据的整个图。与归纳 GFSCIL 相比，归纳设置由于增量训练期间无法访问先前数据而加剧了灾难性遗忘，此外还由于标签稀疏性导致了过拟合问题。因此，我们提出了一种名为基于拓扑的类别增强与原型校准（TAP）的新方法。具体而言，它首先创建了一种三分支多拓扑类别增强方法以增强模型泛化能力。由于每个增量会话接收一个包含新类别节点的不相交子图，多拓扑类别增强方法有助于在基础会话中复制此类设置以提升骨干网络的通用性。在增量学习中，考虑到有限的新类别样本数量，我们提出了一种迭代原型校准以改善类别原型的分离。此外，由于骨干网络微调导致特征分布漂移，旧类别的原型会随时间失效，我们提出了旧类别的原型偏移方法以补偿这种漂移。我们在四个数据集上展示了所提出的方法。
引用
@article{arxiv.2411.06634,
title = {Inductive Graph Few-shot Class Incremental Learning},
author = {Yayong Li and Peyman Moghadam and Can Peng and Nan Ye and Piotr Koniusz},
journal= {arXiv preprint arXiv:2411.06634},
year = {2024}
}