用于少样本图分类的结构增强元学习
机器学习
2021-12-30 v7
摘要
图分类是一项极具影响力的任务，在分子性质预测与蛋白质功能预测等众多现实应用中起着关键作用。旨在处理标注图有限的新型类别，少样本图分类已成为现有图分类方案与实际使用之间的桥梁。本工作探索了基于度量的元学习在解决少样本图分类中的潜力。我们强调了在方案中考虑结构特征的重要性，并提出了一种显式考虑输入图全局结构与局部结构的新型框架。基于 GIN 的一个实现，名为 SMF-GIN，在两个数据集 Chembl 和 TRIANGLES 上进行了测试，大量实验验证了所提方法的有效性。Chembl 的构建填补了少样本图分类评估缺乏大规模基准的空白，其与 SMF-GIN 实现一同发布于：https://github.com/jiangshunyu/SMF-GIN。
引用
@article{arxiv.2103.03547,
title = {Structure-Enhanced Meta-Learning For Few-Shot Graph Classification},
author = {Shunyu Jiang and Fuli Feng and Weijian Chen and Xiang Li and Xiangnan He},
journal= {arXiv preprint arXiv:2103.03547},
year = {2021}
}
备注
AI Open Journal Volume 2, 2021, Pages 160-167