任务自适应少样本节点分类
机器学习
2022-06-27 v1
摘要
节点分类在各种图挖掘任务中至关重要。实践中，真实世界图通常遵循长尾分布，其中大量类别仅由有限标记节点组成。尽管图神经网络（GNNs）在节点分类上已取得显著改进，在此类少样本场景下其性能大幅下降。主要原因可归结为元训练与元测试间因元任务中不同节点/类分布引起的任务方差（即节点级与类级方差）所导致的巨大泛化差距。因此，为有效缓解任务方差的影响，我们提出了一种少样本学习设定下的任务自适应节点分类框架。具体而言，我们首先在具有丰富标记节点的类别间积累元知识。随后通过我们提出的任务自适应模块将此类知识迁移至标记节点有限的类别。特别地，为适配元任务间不同的节点/类分布，我们提出三个关键模块以在每个元任务中分别执行\emph{节点级}、\emph{类级}与\emph{任务级}自适应。如此，我们的框架可对不同的元任务进行自适应，从而提升模型在元测试任务上的泛化性能。在四个主流节点分类数据集上的大量实验证明了我们的框架相对于最先进基线的优越性。我们的代码见 https://github.com/SongW-SW/TENT。
引用
@article{arxiv.2206.11972,
title = {Task-Adaptive Few-shot Node Classification},
author = {Song Wang and Kaize Ding and Chuxu Zhang and Chen Chen and Jundong Li},
journal= {arXiv preprint arXiv:2206.11972},
year = {2022}
}