面向少样本节点分类的虚拟节点调优
机器学习
2023-06-12 v1
摘要
少样本节点分类（FSNC）是图表示学习中的一项挑战，其中每个类只有少量带标签节点可用于训练。为解决此问题，已有研究提出元学习，将具有丰富标签的基类上的结构知识迁移到目标新类。然而，当基类没有或仅有有限带标签节点时，现有方案变得无效或不适用。为应对这一挑战，我们提出一种称为虚拟节点调优（VNT）的创新方法。我们的方法利用预训练的图Transformer作为编码器，并在嵌入空间中注入虚拟节点作为软提示（soft prompts），可利用新类中的少样本标签进行优化，以调制每个特定FSNC任务的节点嵌入。VNT的一个独特之处在于，通过引入基于图的伪提示演化（GPPE）模块，VNT-GPPE能够处理基类中标签稀疏的场景。在四个数据集上的实验结果表明，所提方法在解决具有无标签或稀疏标签基类的FSNC问题上具有优越性，优于现有的state-of-the-art方法甚至全监督基线。
引用
@article{arxiv.2306.06063,
title = {Virtual Node Tuning for Few-shot Node Classification},
author = {Zhen Tan and Ruocheng Guo and Kaize Ding and Huan Liu},
journal= {arXiv preprint arXiv:2306.06063},
year = {2023}
}
备注
Accepted to KDD 2023