浅谈零样本网络表示学习 AAAI2018 & TKDE2020

1、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。

论文来源：AAAI2018
论文链接：https://zhengwang100.github.io/pdf/2018/AAAI18_RSDNE.pdf
代码链接：https://github.com/zhengwang100/RSDNE

论文来源：TKDE2020
论文链接：https://zhengwang100.github.io/pdf/TKDE20_wzheng.pdf
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&#