任务等变图少样本学习
机器学习
2023-06-27 v4 人工智能
摘要
尽管图神经网络（GNNs）在节点分类任务中已取得成功，其性能严重依赖于每类有足够数量的标注节点。在现实情形中，并非所有类都有许多标注节点，且可能存在模型需对新类分类、使人工标注困难的情况。为解决此问题，GNNs 能够用有限数量标注节点分类节点（称为少样本节点分类）十分重要。先前基于情景元学习的方法已在少样本节点分类中展现成功，但我们的发现表明，最优性能仅能在大量多样化训练元任务下取得。为应对基于元学习的少样本学习（FSL）的这一挑战，我们提出一种新方法——任务等变图少样本学习（TEG）框架。我们的 TEG 框架使模型能用有限数量训练元任务学习可迁移的任务适应策略，从而获取广泛元任务的元知识。通过引入等变神经网络，TEG 可利用其强泛化能力学习高度自适应的任务特定策略。因此，TEG 在有限训练元任务下取得了最先进性能。我们在多个基准数据集上的实验展示了 TEG 在准确率与泛化能力上的优越性，即便使用极少元训练数据，也凸显了我们提出的方法在应对基于元学习的少样本节点分类挑战中的有效性。我们的代码可在以下链接获取：https://github.com/sung-won-kim/TEG
引用
@article{arxiv.2305.18758,
title = {Task-Equivariant Graph Few-shot Learning},
author = {Sungwon Kim and Junseok Lee and Namkyeong Lee and Wonjoong Kim and Seungyoon Choi and Chanyoung Park},
journal= {arXiv preprint arXiv:2305.18758},
year = {2023}
}
备注
KDD 2023