CIKM 2020： Graph Few-shot Learning with Attribute Matching

文章信息

摘要

尽管最近的一些研究试图将元学习与图神经网络结合起来，以便在属性网络上进行少镜头学习，但在元训练阶段创建不同的任务时，它们没有考虑到属性网络的独特属性——不同任务的特征分布可能非常不同，因为实例（即节点）不遵循数据i.i.d.对属性网络的假设。因此，它可能不可避免地导致元测试阶段的次优性能。为了解决上述问题，我们提出了一种新的图元学习框架——属性匹配元学习图神经网络(AMM-GNN)。具体来说，提出的AMM-GNN利用属性级的注意机制来捕获每个任务的不同信息，从而学习更有效的可转移知识进行元学习。我们在广泛的设置下对真实世界的数据集进行了广泛的实验，实验结果证明了所提出的AMM-GNN框架的有效性。

方法

这篇文章是MetaGNN的 扩展版本， 同样采用元学习框架MAML， 作者强调不同任务中 不同节点的 重要性不同，采用注意力来优化。 具体是采用 两个向量 来对 特征矩阵进行增强，从而使得 每个 节点的 每个特征都包含两个可优化的参数

文章的 关键： 如何计算这个两个向量

对于第一个属性（1），我们可以在𝑔𝝓𝜶和𝑔𝝓𝒃的生成器中对矩阵ˆ𝑿𝑡进行左乘法1，以避免所得到的匹配向量中不同属性之间的交集。对于属性（2），我们在第𝑡个任务T𝑡中对节点2进行了两次随机抽样，以减少随机性。具体来说，设V𝑡𝑖为第𝑖次采样的节点集（𝑖=1,2），ˆ𝑿𝑖𝑡为相应的聚合特征矩阵。我们设计了元训练中第𝑡个任务T𝑡的第𝑖次采样的匹配向量𝜶𝑡𝑖和𝒃𝑖𝑡

对于𝑖=1,2，其中MLP𝝓𝛼（·）和MLP𝝓𝒃（·）是多层感知器(MLP)，只有左乘法，分别由𝝓𝛼和𝝓𝑏参数化。然后，将元训练中第𝑡个任务T𝑡的匹配向量𝜶𝑡和𝒃𝑡计算为随机抽样的平均池，即：

支持集 的损失函数 交叉熵

查询集损失：

加入了正则化项，以确保不同采样之间的匹配向量尽可能相似。

流程：

实验