基于分解图原型网络的零样本节点分类
人工智能
2021-06-16 v1
摘要
节点分类是图数据分析中的核心任务。新兴类别的标注数据稀缺甚至缺失，对现有方法构成巨大挑战。一个自然的问题是：我们能否对那些从未见过的类别的节点进行分类？本文研究这一具有两阶段特性的零样本节点分类（ZNC）问题：（1）获取用于知识迁移的高质量类语义描述（CSDs）；（2）设计泛化良好的基于图的学习模型。针对第一阶段，我们给出一种基于估计真实类关系的定量 CSDs 评估策略，从而以完全自动的方式获得“最佳” CSDs。针对第二阶段，我们提出一种新颖的分解图原型网络（DGPN）方法，遵循局部性与组合性原理以实现零样本模型泛化。最后，我们进行了大量实验以证明所提方法的有效性。
引用
@article{arxiv.2106.08022,
title = {Zero-shot Node Classification with Decomposed Graph Prototype Network},
author = {Zheng Wang and Jialong Wang and Yuchen Guo and Zhiguo Gong},
journal= {arXiv preprint arXiv:2106.08022},
year = {2021}
}
备注
Accepted by KDD 2021