Target unbiased meta-learning for graph classification

doi:10.1093/jcde/qwab050

Target unbiased meta-learning for graph classification

2021-09-15

0

OA

AI

DOI：10.1093/jcde/qwab050

原文链接

原文求助

摘要

En 中文

摘要尽管许多研究通过结合元学习（meta-learning）来关注少样本学习问题，但传统图分类问题仍存在局限。前期算法直接从样本中提取特征，未考虑训练模型对先前“已见”目标的偏好。为克服上述问题，本文提出了一种有效的策略，训练无偏倚的元学习算法，以梳理元学习范式下的目标偏好和少样本问题。首先，采用交互式注意力提取模块作为特征提取的补充，提高了特征向量的可分离性，减少了模型对特定目标的偏好，并显著提升了模型在新任务上的泛化能力。其次，使用图神经网络（graph neural network）充分挖掘样本间的关系以构成图结构，并在节点级别完成图像分类任务，大幅提升了分类精度。一系列实验研究验证了所提出的方法，有效解决了少样本和半监督学习问题。同时证明，在真实数据集上，本模型比传统分类方法具有更高的精度。

Target unbiased meta-learning for graph classification

摘要

期刊

机构

引用论文