.png){kind=icon}
返回
Structural Entropy Guided Meta-Learning for Few-Shot Node Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2026.3656714.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
少样本节点分类（FSNC）是图分析中的一个挑战性任务，其目标是通过仅使用少量标记节点作为参考来对图中的未标记节点进行分类。为解决标签不足问题，许多元学习方法被提出，旨在从具有丰富标记节点的基类中提取元知识，并将所学知识迁移到对新型类节点的分类中。然而，元知识的理论基础尚未被探索，现有方法在处理复杂或噪声图时往往表现不佳。为解决这些问题，我们提出了一种基于结构信息理论的创新且有效的FSNC元学习框架。首先，我们引入了最小充分元知识的概念，这是一种源自信息瓶颈的理论原则，能够最优地平衡所学元知识的表达力和鲁棒性。依据该原则，我们开发了一种名为SE-FSNC的元学习模型，该模型利用源自输入图的最小结构熵编码树提取最小充分元知识。随后，我们提出了一种有效算法，通过将编码树与图对比学习相结合来训练SE-FSNC。在多个数据集上的广泛实验表明，与现有最先进方法相比，我们的模型具有显著优势。
Keyword:
Few-shot node classification
meta-learning
structural entropy
encoding tree
information bottleneck
期刊
IF:
10.4
论文数:
6.9K
被引数:
3.2W
机构
引用论文
ArnetMiner.png)
Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 14th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏分享收藏分享收藏
查看更多内容