10.3969/j.issn.1003-3114.2023.01.021
基于增强自适应原型重构模型的小样本图节点分类
现实中存在着许多图结构数据,但是在应用场景中时常面临着标注数据短缺的问题.由于图结构的独特性,传统的小样本学习方法无法直接迁移到非欧几里得空间的图领域.同时,适用于大规模标注数据集的图表示算法发展迅速,但是缺乏对标注数据极端匮乏情况下的处理.因此,将小样本学习算法和图表征算法进行高效融合才能有效解决图有关的小样本问题.基于此,提出了一种图小样本学习模型增强自适应原型重构模型(Enhanced Self-adaptive Prototype Rebuilt,ESPR),通过图网络编码器获得丰富的节点表征,改进了原始原型网络的框架中不可学习的无参数原型提取方式;引入自注意力机制进行自适应的原型学习与重构,实现了噪声抑制,并在4个公开图数据集上进行了实验.结果表明,所提出的模型在准确率和F1值上显著超过了Meta-GNN和GPN等经典模型.
图节点分类、小样本学习、图表示学习、原型网络
49
TN929.5
国家重点研发计划2021YFB3900903
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
169-175