面向少样本节点分类的监督图对比学习

图广泛存在于许多现实应用中，如金融欺诈检测、商业推荐和社交网络分析。但由于图标注或标记成本高昂，我们面临严重的图标签稀缺问题，即一个图可能仅有少量标记节点。此类问题的一个例子是所谓的少样本节点分类（few-shot node classification）。解决该问题的主要方法依赖于情景元学习（episodic meta-learning）。在本工作中，我们通过提出一个基本问题来挑战现状：元学习对于少样本节点分类任务是否必不可少。我们提出了一种在标准少样本节点分类设定下的新颖且简单的框架，作为元学习的替代方案来学习有效的图编码器。该框架由监督图对比学习构成，并带有用于数据增强、子图编码和图上多尺度对比的新机制。在三个基准数据集（CoraFull、Reddit、Ogbn）上的大量实验表明，新框架显著优于基于元学习的最先进方法。