[2018][ICLR]FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 论文笔记

这篇博客主要探讨了论文《FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS》中的内容,涉及三种设置:少样本学习、半监督学习和主动学习。文章指出,少样本学习的场景是所有数据都有标签,而半监督和主动学习场景部分数据有标签。核心思想是利用有监督样本的标签信息传播到无标签数据上,实现标签信息的推理。数据表示为包含标签和图像特征的图顶点,并通过图卷积网络进行处理。实验流程包括嵌入网络、变换矩阵计算和多次图卷积操作。在主动学习设置中,通过注意力机制选择未标记数据的标签。该方法在后来的工作中效果一般,但作为图神经网络在少样本学习的应用实例,具有参考价值。
摘要由CSDN通过智能技术生成

code https://github.com/vgsatorras/few-shot-gnn.git

paper  https://arxiv.org/pdf/1711.04043.pdf

论文的原理可以直接看论文或者博客,这里主要记录论文中一些含糊的细节

setting

    分为 few-shot setting,semi-supervised setting 和 active learning setting

    few-shot setting 就是数据都是有 label 的,而 semi-supervised setting 就是部分有,部分没有(可以设定每个训练样本,也就是一个图多少个没有label),而active learning setting 也是部分有部分没有,只不过在中间可以询问一个unlabel 数据的真实label(代码这个通过两个卷积层来选择哪个数据)。

但是我觉得这个semi-supervised的setting没有什么意义,因为每次都是从抽取的n_way个类中抽取unlabel数据,真实情况的unlabel你根本不知道哪个类别,怎么知道属于不属于这n_way个类。active learning setting也一样。

基本思想

        目标是将标签信息从有监督样本上传播到的无标签的query数据上。这种信息传递方式可以被规范化为一种图模型预测值到标签值之间的后验

评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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