面向图元学习的无监督片段生成

我们提出一种称为“邻居即查询”(Neighbors as Queries, NaQ)的无监督片段生成方法，通过无监督图元学习来解决少样本节点分类(Few-Shot Node-Classification, FSNC)任务。这样做能够充分利用图中所有节点的信息，而由于标签稀缺问题，当前针对FSNC的有监督元学习方法无法实现这一点。此外，不同于在无监督图对比学习(Graph Contrastive Learning, GCL)方法中训练阶段忽略待解决下游任务而导致对图的类别不平衡敏感，我们采用片段学习框架使模型感知下游任务形式，即FSNC。所提出的NaQ是一种简单而有效的无监督片段生成方法，它从图中随机采样节点构成支持集，随后基于相似度采样节点构成对应的查询集。由于NaQ与模型无关，任何现有的有监督图元学习方法都可以以无监督方式进行训练，同时不会大幅牺牲其性能，有时甚至有所提升。大量实验结果证明了我们所提出的无监督片段生成方法在面向FSNC任务的图元学习中的有效性。我们的代码可在 https://github.com/JhngJng/NaQ-PyTorch 获取。