FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

最新推荐文章于 2024-08-19 00:15:00 发布
最新推荐文章于 2024-08-19 00:15:00 发布
阅读量7.8k 收藏 28
点赞数 9
分类专栏： Graph 文章标签： GNN Few-shot learning Graph neural networks
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38031488/article/details/88633511
版权
本文是关于《FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS》的论文笔记，探讨了如何利用GNN进行Few-shot学习。GNN作为CNN在非欧几里得空间的扩展，适用于semi-supervised、few-shot learning和active learning任务。在Few-shot learning场景下，GNN通过图模型进行后验推理，传播标签信息。文章还介绍了GNN层的计算过程，包括message-passing机制和邻接矩阵的softmax归一化，以及初始化节点特征的方法。
摘要由CSDN通过智能技术生成

论文链接：FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS

Idea:

  • Few-shot 学习不依靠于规则化扩展数据集来补偿缺少有监督数据对模型带来的影响，而是受启发与人类学习去探索相似任务在空间上的分布情况。
  • GNN网络实际是CNN网络在非欧几里得空间上的扩展。

 

Problem Set-up

以下的定义可以应用于semi-supervised，few-shot learning 和active learning 三个任务中：

被定义为输入输出对，是从部分被标记的图像数据中选择的。

最低0.47元/天 解锁文章
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2. **图神经网络（Graph Neural Networks, GNN）**： 该文件提出的创新方法是将会话序列建模为图形结构化数据，然后使用图神经网络（GNN）来捕获物品之间的复杂转换。这是一项先进的技术，它能够处理和分析图形数据...
《Few-Shot Learning with Graph Neural Networks》——少样本学习与图神经网络
StreamRock的专栏
11-22 7306
目录一、简介二、【2】实现过程分析2.1 数据的准备2.2 GNN 网络2.2.1 特征提取网络2.2.2 顶点表达2.2.3 Adjacency 层2.2.4 Loss的解析2.3 数据验证所说明的问题三、GNN 的认识四、小结索引欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表...
Few-Shot Learning with Graph Neural Networks（图神经网络小样本学习）
qq_41180996的博客
10-29 4555
GNN是由许多节点和边构成的图模型，在本文中，每一个节点都代表一幅输入的图像，而每个边上的权重就表示两幅图之间的关系（可以理解为距离或者相似程度）。本文采用的是稠密连接的图，因此每两个输入图片之间都有边连接起来，邻接矩阵就储存了任意两个节点之间的权重值。最后是用于学习的网络，代码中显示是由一个全连接层构成的。然后，将特征向量与表示标签的向量h(l)【独热向量one-hot】级联起来，作为GNN的输入节点，共同输入到GNN中，而邻接矩阵的计算，就会更新两个节点之间的连接权重，因此图模型的结构也发生了变换。
【有啥问啥】图神经网络（Graph Neural Networks）是什么？
最新发布
Chauvin的博客
08-19 2509
在数据科学和机器学习的广阔领域中，图结构数据以其独特的复杂性和丰富性成为了一个重要的研究方向。从社交网络中的用户关系，到生物信息学中的蛋白质交互网络，再到交通网络中的道路连接，图结构数据无处不在。为了有效地处理和分析这些图数据，图神经网络（Graph Neural Networks, GNNs）应运而生，它们为理解和利用图结构数据中的复杂模式提供了强大的工具。
Few-shot Learning with Graph Neural Networks
fnoi2014xtx的博客
07-13 779
Paper : FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS Code : official 摘要 作者使用GNN建模少样本学习任务中的消息传递过程，将每个样本看作是图中的节点，少样本学习转化为图中给出部分节点的标签以后进行训练的点分类任务。作者提出的GNN建模方法还可以扩展到半监督学习或主动学习的任务上。 问题设定 首先给出少样本学习，主动学习和半监督学习的通用描述，考虑输入输出对 (T,Y)(\mathcal T,\mathcal Y)(T,Y) T={{.
Few-Shot Learning With Graph Neural Networks
VIEO
03-11 428
https://zhuanlan.zhihu.com/p/67745489 在 Few-Shot Learning 中，每个类别的训练样本数据较少，如果直接训练一个多分类模型，会由于每个类别的样本较少而无法训练充分。而 GNN 的一个优点在于可以通过节点之间的连接来做信息扩散，如果把每个样本视作图中一个节点，节点之间的边是它们的某种距离度量，那么，就可以把已有label的样本的 label 信息根据节点之间相似性的强弱，有选择的扩散到与之最相似的，需要预测的样本上。这样，新样本在预测的时候，可以利用到各个
【论文分享】★★★「SOTA」小样本图神经网络分类模型 HGNN：Hybrid Graph Neural Networks for Few-Shot Learning
vector的博客
04-11 1262
摘要：本文提出了一种新的混合GNN (HGNN)模型，该模型由两个GNN组成，一个PGNN和一个IGNN。IGNN通过实例级消息传递专注于异常值识别和中和（离群值）。PGNN在类原型级操作，以确保不同的类在GNN适应的嵌入空间中可以很好地分离（类间重叠） 其他：本文的GNN与之前的GNN之间的关键区别是本文的GNN不包含标签信息。
2019-[斯坦福]-Pre-training Graph Neural Networks-笔记-rrrr1
08-08
为了解决这些问题，"2019-[斯坦福]-Pre-training Graph Neural Networks-笔记-rrrr1"这篇文章提出了一种预训练方法，旨在提高GNNs的性能和泛化能力。 首先，文章对预训练GNNs的方法进行了分类，主要分为节点级别...
[GCN] 代码解析 of GitHub：Semi-supervised classification with graph convolutional networks
01-21
本文解析的代码是论文Semi-Supervised Classification with Graph Convolutional Networks作者提供的实现代码。 原GitHub：Graph Convolutional Networks in PyTorch 本人增加结果可视化 (使用 t-SNE 算法) 的GitHub...
semi -supervised classification with graph convolutional networks学习必记
01-07
当K=1 时有两个参数,模型scales linearly in the number of graph edges ,同时可以表征局部图结构和节点的特征： 3. 半监度节点分类模型 本文模型优缺点 WlW^lWl在各个顶点共享，与顶点个数无关，可以用于大...
最新《小样本学习(Few-shot learning)》2020综述论文【香港科技大学】.pdf
04-13
本文介绍34页小样本学习综述《Generalizing from a Few Examples: A Survey on Few-Shot Learning》，包含166篇参考文献，来自第四范式和香港科技大学习的研究学者。
元学习论文​​Optimization as a model for few-shot learning的简单理解_详细注释
02-26
元学习论文​​Optimization as a model for few-shot learning的简单理解，带有论文的详细注释和个人理解
Edge-Labeling Graph Neural Network for Few-shot Learning--CVPR2019--论文笔记
mei1318874404的博客
02-20 1919
记录一下自己看的文章，和一些自己的见解。 这次看的文章是《基于边标签图神经网络的少样本学习》 Abstract 在本文之中，我们提出了一个新的基于边标签的图神经网络（EGNN），适用于一些少样本学习（few-shot learning），以往的图卷积神经网络只是基于节点标签的框架，然而提出的EGNN通过利用类内的相似性和类间的不相似行不断地更新迭代，不仅仅只是学习预测节点标签，而且会预测变得标签。...
论文笔记:Few-Shot Lear With Graph Neural Networks
u011630472的博客
04-11 1346
论文链接:Few shot learning with graph neural networks github代码链接:pytorch实现 1,INTRODUCTIION 1,元学习(新的监督学习):它的输入-输出对设置由图像集合的iid样本及其相关标签相似性代替了图像的iid样本和它相关标签. 2,探索利用相似样本的分布 代替 利用正则化取弥补数据的不足 3.文章贡献: ...
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS翻译
L793404933的博客
12-08 1181
基于GNN的小样本学习 简介： 我们提出利用基于推理的图模型来研究小样本学习问题，输入图像有标签或者隐藏标签。通过使用消息传播算法，我们定义了一种图神经网络来概述最近提出的几种小样本学习的模型。除了提高数值性能之外，我们的框架还可以轻松扩展到少数学习的变体，例如半监督学习或主动学习，这证明了基于图的模型能够很好地处理“关系”任务。 介绍: 监督端到端学习是在CV,speech,机器翻译任务中是非常...
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORK
weixin_44576543的博客
11-16 645
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORK使用图神经网络的小样本学习 代码：github.com/vgsatorras/few-shot-gnn 摘要：我们提出研究一种基于部分观察图形模型的三棱镜推理的小样本学习问题，建立一组图片（标记或者不标记），通过同化消息传递推理算法使用深度学习框架，定义了可以泛化的小样本学习图神经网络框架，我们的框架很...
论文阅读笔记《Few-Shot Learning with Graph Neural Networks》
深视
05-21 3264
核心思想   本文提出一种采用图神经网络（Graph Neural Network，GNN）的小样本学习算法，将距离度量由欧式空间转移到非欧空间中，其核心思想还是将有标签支持样例的标签信息传递到无标签的查询样例上去，这种信息的传递可以看做一个图模型根据输入的图像和标签给出的后验推断。那么具体是如何实现的呢？首先，作者将输入数据集划分为三部分 其中(x1...xs)(x_1...x_s)(x1​...xs​)表示带有标签的支持集，(x~1...x~r)(\tilde{x}_1...\tilde{x}_r)(
Few-Shot Learning with Graph Neural Networks
燎明的专栏
02-28 7044
2 Related Workmeta-learners方式： 典型代表是, Mishra et al. (2017) used Temporal Convolutions which are deep recurrent networks based on dilated convolutions(扩张卷积), this method also exploits contextual inform...
few-shot learning with graph neural networks
06-06
Few-shot learning with graph neural networks（使用图神经网络进行少样本学习）是一种机器学习方法，旨在解决在数据集较小的情况下进行分类任务的问题。该方法使用图神经网络来学习数据之间的关系，并利用少量的样本来进行分类任务。这种方法可以在训练数据集较小的情况下，实现高准确率的分类任务。
评论 14
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值