Meta-GPS++: 基于对比学习和自训练增强图元学习

节点分类是图学习中的重要问题。然而，许多模型在少样本场景下应用时通常表现不佳。一些研究尝试将元学习与图神经网络结合，以解决图上的少样本节点分类问题。尽管这些方法表现前景光明，但仍存在一些局限性：首先，他们采用 homophilic 图的节点编码机制来学习节点嵌入，即使在 heterophilic 图上亦如此；其次，基于元学习的现有模型忽略了学习过程中随机性的干扰；再次，它们仅使用特定任务中有限的标记节点进行训练，未充分利用大量未标记节点；最后，他们对几乎所有抽样任务都采取相同方式，未针对任务的独特性进行定制。为此，我们提出一种名为 Meta-GPS++ 的新型框架，用于少样本节点分类。具体来说，我们首先采用一种高效方法，在 homophilic 和 heterophilic 图上学习判别性节点表示。随后，我们利用原型方法初始化参数，并通过对比学习正则化节点嵌入的分布。此外，我们应用自训练从未标记节点中提取有价值的信息。我们还采用 S²（缩放与平移）变换从多样化任务中学习可迁移知识。在真实数据集上的实验结果表明，Meta-GPS++ 的优势显而易见。我们的代码已公开。