本文利用迁移学习中的元学习来进行图上的少样本学习,提出了一个Graph Few-shot Learning模型GFL。首先GFL 使用一个以 GNN 为主体的图自动编码器来学习每个节点的表示;其次,为了更好地捕捉全局信息,对属于同类的所有示例的建立了一个关系结构,并通过将原型 GNN 应用于关系结构来学习该类的原型;文章还通过层次图表示...
本文探索了在图数据上进行少样本学习的挑战，提出了一种称为Graph Few-shot Learning (GFL) 的创新方法。GFL 基于迁移学习，特别是元学习，以解决图上半监督节点分类问题，尤其适用于标记节点数量有限的情况。该方法通过图神经网络（GNN）自动编码器学习每个节点表示，同时构建一个关系结构以更好地捕捉全局...
ST-Meta Graph Reconstruction进一步设计用于通过重建不同城市的结构关系来进行结构感知元训练。 ST-GFSL 的端到端学习过程遵循基于MAML的episode learning。通过模拟目标城市的小样本场景,对批量的小样本训练任务进行采样,得到适应性强的基础模型。 Spatio-Temporal Neural Network 时空神经网络(STNN)可以分为特征提取器和...
贡献：我们以时空图为模型基础，表示为[公式]。[公式]代表节点集合，[公式]为节点数量；[公式]表示边集；[公式]为邻接矩阵；[公式]代表节点间边的存在与否；[公式]为节点特征矩阵，[公式]表示图信号。[公式]时刻观测到节点特征。问题1：预测时空图，给定[公式]历史信号，预测未来[公式]图信号。问题2...
《Graph Few-shot Learning via Knowledge Transfer》H Yao, C Zhang, Y Wei, M Jiang, S Wang, J Huang, N V. Chawla, Z Li [Pennsylvania State University & University of Notre Dame & Tencent AI Lab] (2019)O网页链接view:O网页链接 ...
ExtractorBase接口负责信息提取的职责，当下已有的三元组提取器和关键词提取器都依赖了大模型能力，所以抽象类LLExtractor负责与LLM交互的公共逻辑，具体的实现类只需要提供提示词模板和结果解析即可。三元组提取器TripletExtractor的提示词模板（受LlamaIndex启发），核心理念是通过few-shot样本引导大模型生成三元组结构。TRIPL...
论文阅读笔记《Edge-Labeling Graph Neural Network for Few-shot Learning》 核心思想 本文采用基于图神经网络的算法实现了小样本学习任务,先前基于GNN的方法通常是基于节点标签框架,隐式地建立类内相似性和类间差异性的模型。而本文提出的边标签图卷...差异性,利用图神经网络实现小样本学习任务算法评价 本文提出的算...
This repository provides a curated collection of research papers focused on few-shot learning on graphs. It is derived from our survey paper: A Survey of Few-Shot Learning on Graphs: From Meta-Learning to Pre-Training and Prompting. We will update this list regularly. If you notice any ...
提出了一种 FewShot 关系学习模型 (FSRL),目的是学习一个匹配函数,该函数可以在给定每个关系的few-shot参考实体对集合的情况下有效地推断出真实实体对。更具体地说,首先,提出了一种基于异构图结构和注意机制的关系感知异构邻居编码器来学习实体嵌入。它捕获了不同的关系类型和本地邻居的影响差异。
Few-shot learning few是变量,样本数=few*类别数 Semi-supervised learning Active learning 问题定义 Task={训练集(x,l s个),无标签集(有r个),测试集(t个)} Y(t个) x是独立同分布的,N维向量 l是标签,从[1,K]中选一个类别,有K类 当r>0时,就是半监督场景 标准的有监督学习 L是样本数,φ是神经...