浅谈零样本网络表示学习

©PaperWeekly 原创 · 作者｜汪佳龙

学校｜澳门大学博士生

研究方向｜图神经网络

什么是零样本网络表示学习

这个问题主要来自两篇论文 AAAI 2018 和 TKDE 2020，在正式开始介绍零样本网络表示学习（Zero-shot Graph Embedding, ZsGE）之前，我们首先介绍一下什么是零样本学习。

论文标题：RSDNE: Exploring Relaxed Similarity and Dissimilarity from Completely-imbalanced Labels for Network Embedding

论文来源：AAAI 2018

论文链接：https://www.paperweekly.site/papers/3566

代码链接：https://github.com/zhengwang100/RSDNE

论文标题：Network Embedding with Completely-imbalanced Labels

论文来源：TKDE 2020 

论文链接：https://www.paperweekly.site/papers/3567

代码链接：https://github.com/zhengwang100/RECT

假设这样一个场景，现在我们有了一个训练用的数据集，里面有 A、B、C 三类样本，可是在测试的时却需要我们去识别 D 和 E 两种未见过的类的样本。这就是零样本学习 Zero Shot Learning (ZSL) 所需要解决的问题。

而在之前的研究中，ZSL 的研究主要局限于计算机视觉领域，也是 CV 领域非常热门的一个研究方向。这是由于自然界包含太多物品和场景了，我们需要 AI 系统有强大的泛化能力，即能够识别那些未见到的类（unseen class）。

在网络表示学习中，同样存在着类似情况。由于网络的复杂性，标注样本很可能无法涵盖所有的节点类别，甚至我们根本不知道网络中有多少类别。本文将介绍如何在网络中利用 ZSL的思维来学习到 unseen 类别节点的网络表示。

1.1 问题定义

如上图所示，零样本网络表示学习（Zero-shot Graph Embedding，ZsGE）是指标注样本无法覆盖所有类别时的网络节点特征学习问题。这里，“zero-shot”强调所设计的算法应该能够处理那些来自不可见类的节点，这种场景也可以被称为完全非平衡标注场景。

这个问题非常具有实际意义，特别是当图很大且节点的类别很多的场景。比如在真实社交网络中，用户的类别可能很多，我们也很难找出每一类用户，甚至我们根本就不知道网络中到底有多少种用户。

1.2 现有方