小样本学习与图神经网络论文调研

最新推荐文章于 2022-03-24 15:33:49 发布
最新推荐文章于 2022-03-24 15:33:49 发布
阅读量1.2k 收藏 4
点赞数
分类专栏： FSL 小样本学习 文章标签： 神经网络 深度学习
原文链接：https://zhuanlan.zhihu.com/p/361416969
版权

转自知乎@白小鱼[论文清单]小样本学习与图神经网络 - 知乎

要入门某研究方向的最基本方法就是读文献，fighting

该交叉领域工作较多，截至目前在正式期刊会议[2]上有A类文章12篇，B类文章11篇，C类文章4篇。近三年有31篇预印本文章。

正式期刊会议文章

2021

CCF-C

  • Xu Zhang, Youjia Zhang, Zuyu Zhang: Multi-granularity Recurrent Attention Graph Neural Network for Few-Shot Learning. MMM (2) 2021: 147-158

2020

CCF-A

  • Huaxiu Yao, Chuxu Zhang, Ying Wei, Meng Jiang, Suhang Wang, Junzhou Huang, Nitesh V. Chawla, Zhenhui Li: Graph Few-Shot Learning via Knowledge Transfer. AAAI 2020: 6656-6663
  • Riquan Chen, Tianshui Chen, Xiaolu Hui, Hefeng Wu, Guanbin Li, Liang Lin: Knowledge Graph Transfer Network for Few-Shot Recognition. AAAI 2020: 10575-10582
  • Chuxu Zhang, Huaxiu Yao, Chao Huang, Meng Jiang, Zhenhui Li, Nitesh V. Chawla: Few-Shot Knowledge Graph Completion. AAAI 2020: 3041-3048
  • Ling Yang, Liangliang Li, Zilun Zhang, Xinyu Zhou, Erjin Zhou, Yu Liu: DPGN: Distribution Propagation Graph Network for Few-Shot Learning. CVPR 2020: 13387-13396
  • Meng Qu, Tianyu Gao, Louis-Pascal A. C. Xhonneux, Jian Tang: Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs. ICML 2020: 7867-7876
  • Jinheon Baek, Dong Bok Lee, Sung Ju Hwang: Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction. NeurIPS 2020
  • Lin Lan, Pinghui Wang, Xuefeng Du, Kaikai Song, Jing Tao, Xiaohong Guan: Node Classification on Graphs with Few-Shot Novel Labels via Meta Transformed Network Embedding. NeurIPS 2020

CCF-B

  • Kaize Ding, Jianling Wang, Jundong Li, Kai Shu, Chenghao Liu, Huan Liu:Graph Prototypical Networks for Few-shot Learning on Attributed Networks. CIKM 2020: 295-304
  • Ning Wang, Minnan Luo, Kaize Ding, Lingling Zhang, Jundong Li, Qinghua Zheng:GraphFew-shot Learning with Attribute Matching. CIKM 2020: 1545-1554
  • Ning Ma, Jiajun Bu, Jieyu Yang, Zhen Zhang, Chengwei Yao, Zhi Yu, Sheng Zhou, Xifeng Yan: Adaptive-Step Graph Meta-Learner for Few-Shot Graph Classification. CIKM 2020: 1055-1064
  • Jueqing Lu, Lan Du, Ming Liu, Joanna Dipnall: Multi-label Few/Zero-shot Learning with Knowledge Aggregated from Multiple Label Graphs. EMNLP (1) 2020: 2935-2943
  • Jiawei Sheng, Shu Guo, Zhenyu Chen, Juwei Yue, Lihong Wang, Tingwen Liu, Hongbo Xu: Adaptive Attentional Network for Few-Shot Knowledge Graph Completion. EMNLP (1) 2020: 1681-1691
  • Guohao Lan, Bailey Heit, Timothy James Scargill, Maria Gorlatova: GazeGraph: graph-based few-shot cognitive context sensing from human visual behavior. SenSys 2020: 422-435
  • Chen Lyu, Weijie Liu, Ping Wang: Few-Shot Text Classification with Edge-Labeling Graph Neural Network-Based Prototypical Network. COLING 2020: 5547-5552

CCF-C

  • Xinyi Tong, Jihao Yin, Bingnan Han, Hui Qv: Few-Shot Learning With Attention-Weighted Graph Convolutional Networks For Hyperspectral Image Classification. ICIP 2020: 1686-1690
  • Tong Wei, Junlin Hou, Rui Feng: Fuzzy Graph Neural Network for Few-Shot Learning. IJCNN 2020: 1-8

SCI期刊

  • Rui Yang, Xin Xu, Xirong Li, Lei Wang, Fangling Pu: Learning Relation by Graph Neural Network for SAR Image Few-Shot Learning. IGARSS 2020: 1743-1746
  • Yuxiang Xie, Hua Xu, Jiaoe Li, Congcong Yang, Kai Gao: Heterogeneous graph neural networks for noisy few-shot relation classification. Knowl. Based Syst. 194: 105548 (2020)

无等级

  • Jatin Chauhan, Deepak Nathani, Manohar Kaul: Few-Shot Learning on graphs via super-Classes based on Graph spectral Measures. ICLR 2020

2019

CCF-A

  • Yue Gao, Yuan Guo, Zhouhui Lian, Yingmin Tang, Jianguo Xiao: Artistic glyph image synthesis via one-stage few-shot learning. ACM Trans. Graph. 38(6): 185:1-185:12 (2019)
  • Jongmin Kim, Taesup Kim, Sungwoong Kim, Chang D. Yoo: Edge-Labeling Graph Neural Network for Few-Shot Learning. CVPR 2019: 11-20
  • Chenrui Zhang, Xiaoqing Lyu, Zhi Tang: TGG: Transferable Graph Generation for Zero-shot and Few-shot Learning. ACM Multimedia 2019: 1641-1649
  • Apoorva Dornadula, Austin Narcomey, Ranjay Krishna, Michael Bernstein, Fei-Fei Li: Visual Relationships as Functions: Enabling Few-Shot Scene Graph Prediction. ICCV Workshops 2019: 1730-1739
  • Lu Liu, Tianyi Zhou, Guodong Long, Jing Jiang, Lina Yao, Chengqi Zhang: Prototype Propagation Networks (PPN) for Weakly-supervised Few-shot Learning on Category Graph. IJCAI 2019: 3015-3022

CCF-B

  • Fan Zhou, Chengtai Cao, Kunpeng Zhang, Goce Trajcevski, Ting Zhong, Ji Geng: Meta-GNN: On Few-shot Node Classification in Graph Meta-learning. CIKM 2019: 2357-2360
  • Mingyang Chen, Wen Zhang, Wei Zhang, Qiang Chen, Huajun Chen: Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs. EMNLP/IJCNLP (1) 2019: 4216-4225
  • Xin Lv, Yuxian Gu, Xu Han, Lei Hou, Juanzi Li, Zhiyuan Liu: Adapting Meta Knowledge Graph Information for Multi-Hop Reasoning over Few-Shot Relations. EMNLP/IJCNLP (1) 2019: 3374-3379

CCF-C

  • Shilei Zhang, Yong Qin, Kewei Sun, Yonghua Lin: Few-Shot Audio Classification with Attentional Graph Neural Networks. INTERSPEECH 2019: 3649-3653

无等级

  • Xiaolu Hui, Riquan Chen, Tianshui Chen: Graph attention propagation for few-shot learning. ACM TUR-C 2019: 103:1-103:4
  • Asma Bensalah, Pau Riba, Alicia Fornés, Josep Lladós: Shoot Less and Sketch More: An Efficient Sketch Classification via Joining Graph Neural Networks and Few-Shot Learning. GREC@ICDAR 2019: 80-85

2018

CCF-B

  • I. Mason, Sebastian Starke, He Zhang, Hakan Bilen, Taku Komura: Few-shot Learning of Homogeneous Human Locomotion Styles. Comput. Graph. Forum 37(7): 143-153 (2018)

无等级

  • Victor Garcia Satorras, Joan Bruna Estrach: Few-Shot Learning with Graph Neural Networks. ICLR (Poster) 2018

预印本文章

2021

  • Peixiao Zheng, Xin Guo, Lin Qi:Edge-Labeling based Directed Gated Graph Network for Few-shot Learning. CoRR abs/2101.11299 (2021)
  • Yongchun Zhu, Fuzhen Zhuang, Xiangliang Zhang, Zhiyuan Qi, Zhiping Shi, Qing He:Combat Data Shift in Few-shot Learning with Knowledge Graph.CoRR abs/2101.11354 (2021)
  • Ethan Shen, Maria Brbic, Nicholas Monath, Jiaqi Zhai, Manzil Zaheer, Jure Leskovec:Model-Agnostic Graph Regularization for Few-Shot Learning.CoRR abs/2102.07077 (2021)
  • Zhichun Guo, Chuxu Zhang, Wenhao Yu, John Herr, Olaf Wiest, Meng Jiang, Nitesh V. Chawla:Few-Shot GraphLearning for Molecular Property Prediction.CoRR abs/2102.07916 (2021)
  • Shunyu Jiang, Fuli Feng, Weijian Chen, Xiang Li, Xiangnan He:Structure-Enhanced Meta-Learning For Few-Shot Graph Classification.CoRR abs/2103.03547 (2021)
  • Dora Jambor, Komal K. Teru, Joelle Pineau, William L. Hamilton: Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs. CoRR abs/2102.03419 (2021)

2020

  • Jatin Chauhan, Deepak Nathani, Manohar Kaul:Few-Shot Learning on Graphs via Super-Classes based on Graph Spectral Measures. CoRR abs/2002.12815 (2020)
  • Ning Ma, Jiajun Bu, Jieyu Yang, Zhen Zhang, Chengwei Yao, Zhi Yu:Few-Shot Graph Classification with Model Agnostic Meta-Learning.CoRR abs/2003.08246 (2020)
  • Ling Yang, Liangliang Li, Zilun Zhang, Xinyu Zhou, Erjin Zhou, Yu Liu:DPGN: Distribution Propagation Graph Network for Few-shot Learning.CoRR abs/2003.14247 (2020)
  • Guangfeng Lin, Ying Yang, Yindi Fan, Xiaobing Kang, Kaiyang Liao, Fan Zhao:High-order structure preserving graph neural network for few-shot learning.CoRR abs/2005.14415 (2020)
  • Jinheon Baek, Dong Bok Lee, Sung Ju Hwang:Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction.CoRR abs/2006.06648 (2020)
  • Kaize Ding, Jianling Wang, Jundong Li, Kai Shu, Chenghao Liu, Huan Liu:Graph Prototypical Networks for Few-shot Learning on Attributed Networks.CoRR abs/2006.12739 (2020)
  • Baoquan Zhang, Ka-Cheong Leung, Yunming Ye, Xutao Li:MetaConcept: Learn to Abstract via Concept Graph for Weakly-Supervised Few-Shot Learning.CoRR abs/2007.02379 (2020)
  • Meng Qu, Tianyu Gao, Louis-Pascal A. C. Xhonneux, Jian Tang:Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs.CoRR abs/2007.02387 (2020)
  • Hao Cheng, Joey Tianyi Zhou, Wee Peng Tay, Bihan Wen:Attentive Graph Neural Networks for Few-Shot Learning.CoRR abs/2007.06878 (2020)
  • Jueqing Lu, Lan Du, Ming Liu, Joanna Dipnall:Multi-label Few/Zero-shot Learning with Knowledge Aggregated from Multiple Label Graphs.CoRR abs/2010.07459 (2020)
  • Lin Lan, Pinghui Wang, Xuefeng Du, Kaikai Song, Jing Tao, Xiaohong Guan: Node Classification on Graphs with Few-Shot Novel Labels via Meta Transformed Network Embedding. CoRR abs/2007.02914 (2020)
  • Vassilis N. Ioannidis, Da Zheng, George Karypis: Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing. CoRR abs/2007.10261 (2020)
  • Jiawei Sheng, Shu Guo, Zhenyu Chen, Juwei Yue, Lihong Wang, Tingwen Liu, Hongbo Xu: Adaptive Attentional Network for Few-Shot Knowledge Graph Completion. CoRR abs/2010.09638 (2020)
  • Piotr Koniusz, Hongguang Zhang:Power Normalizations in Fine-grained Image, Few-shot Image and Graph Classification.CoRR abs/2012.13975 (2020)

2019

  • Jongmin Kim, Taesup Kim, Sungwoong Kim, Chang D. Yoo:Edge-labeling Graph Neural Network for Few-shot Learning.CoRR abs/1905.01436 (2019)
  • Lu Liu, Tianyi Zhou, Guodong Long, Jing Jiang, Lina Yao, Chengqi Zhang:Prototype Propagation Networks (PPN) for Weakly-supervised Few-shot Learning on Category Graph.CoRR abs/1905.04042 (2019)
  • Fan Zhou, Chengtai Cao, Kunpeng Zhang, Goce Trajcevski, Ting Zhong, Ji Geng:Meta-GNN: On Few-shot Node Classification in Graph Meta-learning.CoRR abs/1905.09718 (2019)
  • Chenrui Zhang, Xiaoqing Lyu, Zhi Tang:TGG: Transferable Graph Generation for Zero-shot and Few-shot Learning.CoRR abs/1908.11503 (2019)
  • Mingyang Chen, Wen Zhang, Wei Zhang, Qiang Chen, Huajun Chen:Meta Relational Learning for Few-Shot Link Prediction in Knowledge Graphs.CoRR abs/1909.01515 (2019)
  • Huaxiu Yao, Chuxu Zhang, Ying Wei, Meng Jiang, Suhang Wang, Junzhou Huang, Nitesh V. Chawla, Zhenhui Li:GraphFew-shot Learning via Knowledge Transfer.CoRR abs/1910.03053 (2019)
  • Avishek Joey Bose, Ankit Jain, Piero Molino, William L. Hamilton:Meta-Graph: Few shot Link Prediction via Meta Learning.CoRR abs/1912.09867 (2019)
  • Riquan Chen, Tianshui Chen, Xiaolu Hui, Hefeng Wu, Guanbin Li, Liang Lin:
  • Knowledge Graph Transfer Network for Few-Shot Recognition. CoRR abs/1911.09579 (2019)
  • Chuxu Zhang, Huaxiu Yao, Chao Huang, Meng Jiang, Zhenhui Li, Nitesh V. Chawla:Few-Shot Knowledge Graph Completion.CoRR abs/1911.11298 (2019)
  • Xin Lv, Yuxian Gu, Xu Han, Lei Hou, Juanzi Li, Zhiyuan Liu: Adapting Meta Knowledge Graph Information for Multi-Hop Reasoning over Few-Shot Relations. CoRR abs/1908.11513 (2019)
  • Apoorva Dornadula, Austin Narcomey, Ranjay Krishna, Michael Bernstein, Li Fei-Fei: Visual Relationships as Functions: Enabling Few-Shot Scene Graph Prediction. CoRR abs/1906.04876 (2019)
福芙芙_growing
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文清单】小样本学习与图神经网络
vector的博客
03-25 956
本论文清单由知乎作者白小鱼于21年3月31日整理而成，最后更新时间为3月31日
小样本中的图神经网络
qq_21157073的博客
12-18 2678
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORKS 初始化节点特征 将图片的视觉特征与类别标签拼接，对于查询集，类别标签初始化为零 使用领接矩阵，建立节点联系 完成GNN传递 图传递完成后，使用Prototypical Networks完成分类 ...
Few-Shot Learning with Graph Neural Networks（图神经网络小样本学习）
qq_41180996的博客
10-29 4271
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。
CIKM 2020 Graph Prototypical Networks for Few-shot Learning on Attributed Networks 小样本图学习
qq_40926715的博客
03-24 825
小样本 GNN 原型学习
Prototypical Networks for Few-shot Learning
F_aF_a的博客
05-28 666
小样本学习的原型网络 文章目录泛读摘要标题主要思想结论精读小样本的定义C-way K-shot零样本定义最近的两种方法聚类符号模型实验模型结构实验结论总结 泛读 摘要 对于小样本分类问题，我们提出了一种原型网络，在该网络中，分类器必须归纳到训练集中未看到的新类别，而每个新类别仅给出少量示例。 原型网络学习一个度量空间，在该度量空间中，可以通过计算到每个类的原型表示的距离来执行分类。 与最近的小样本学习方法相比，它们反映了一种更简单的归纳偏差，在这种有限的数据条件下是有益的，并且取得了优异的成绩。 我们提供的
基于双通道图神经网络的小样本文本分类.pdf
09-25
"基于双通道图神经网络的小样本文本分类" 本文提出了一种基于双通道图神经网络的小样本文本分类方法，以解决小样本文本分类任务中存在的两个主要问题：样本量少、易过拟合和监督信息稀疏化。该方法使用图神经网络...
地震油气储层的小样本卷积神经网络学习与预测.pdf
09-26
【地震油气储层的小样本卷积神经网络学习与预测】这篇论文主要探讨了如何利用深度学习中的卷积神经网络（CNN）技术进行地震数据的分析和油气储层预测。地震油气储层预测是石油勘探的重要环节，传统的分析方法通常...
基于小样本学习的图像分类技术综述
06-13
小样本学习技术可以分为两大类：基于卷积神经网络模型的算法和基于图神经网络模型的算法。 基于卷积神经网络模型的算法主要有四种学习范式：迁移学习、元学习、对偶学习和贝叶斯学习。迁移学习是指将已经训练好的...
svmfenlei.rar_小样本分类_神经网络 分类
09-24
标题中的“svmfenlei.rar”可能是一个包含支持向量机（SVM）分类相关代码的压缩文件，而“小样本分类_神经网络 分类”则提示了该压缩包主要探讨的是在处理小数据集时，支持向量机与神经网络在分类任务上的应用和比较...
神经网络与深度学习3小时PPT-邱锡鹏
最新发布
11-25
"神经网络与深度学习" 本资源摘要信息涵盖了神经网络与深度学习的基础概念、机器学习、神经网络类型、优化方法、泛化错误、PAC学习理论等方面的知识点。 机器学习概述 机器学习是人工智能的一个分支，旨在让机器...
蔡氏方程matlab求解代码-knowledge_graph_attention_network:KGAT：推荐的知识图注意力网络，KDD20
05-19
蔡氏方程matlab重构代码知识图注意力网络 这是本文的Tensorflow实现： 王翔，何湘南，曹一欣，刘萌和蔡达生（2019）。 KGAT：推荐知识图注意力网络。 或者 。 2019年8月4日至8日，在美国阿拉斯加州安克雷奇KDD'19举行。 作者：王翔博士（u.nus.edu的王翔） 介绍 知识图注意力网络（KGAT）是专门针对知识感知的个性化推荐量身定制的新推荐框架。 KGAT建立在图神经网络框架的基础上，对协作知识图中的高阶关系进行显式建模，以提供带有项边信息的更好推荐。 引文 如果您想在研究中使用我们的代码和数据集，请引用： @inproceedings{KGAT19, author = {Xiang Wang and Xiangnan He and Yixin Cao and Meng Liu and Tat{-}Seng Chua}, title = {{KGAT:} Knowledge Graph Attention Network for Recommendation}, booktitle = {{KDD}}, pages = {950--958}, year\n=
Graph Matching Networks for Learning the Similarity of Graph Structured Objects
05-07
近日，DeepMind 和谷歌联合进行了一项研究，该研究提出了一种执行相似性学习的新型强大模型——图匹配网络（GMN），性能优于 GNN 和 GCN 模型。该论文已被 ICML 2019 接收。 DeepMind 和谷歌的这项新研究聚焦检索和匹配图结构对象这一极具挑战性的问题，做出了两个重要贡献。 首先，研究者展示了如何训练图神经网络（GNN），使之生成可在向量空间中执行高效相似性推理的图嵌入。其次，研究者提出了新型图匹配网络模型（GMN），该模型以一对图作为输入，通过基于跨图注意力的新型匹配机制进行联合推理，从而计算它们之间的相似性分数。 研究者证明 GMN 模型在不同领域中的有效性，包括极具挑战性的基于控制流图的函数相似性搜索问题，这个问题在检索软件系统的漏洞中起着非常重要的作用。实验分析表明 GMN 模型不止能在相似性学习的环境下利用结构，还能超越针对这些问题手动精心设计的特定领域基线系统。研究主题：图相似性学习问题 图是编码关系结构的自然表征，常常出现在多个领域中。根据图结构数据定义的计算可以用在各种领域中，从计算生物学和化学的分子分析到自然语言理解中知识图或图结构解析的分析都可以。 近几年来，图神经网络（Graph Neural Network，GNN）已经成为可以有效学习结构数据表征、解决各种基于图的监督预测问题的模型了。这样的模型在迭代聚合局部结构信息的传播过程中设计并计算图节点表征，从而对图元素的排列（permutation）具有不变性。然后直接将这些节点表征用于节点分类，或者将它们合并到用于图分类的图向量中。而 GNN 在监督分类或回归以外的问题的相关研究相对较少。 DeepMind 的这篇论文研究的是图结构对象的相似性学习问题，这个问题在现实生活中有很多重要的应用，尤其是在图数据库中基于相似性的搜索。还有一个应用是涉及计算机安全的二元函数相似性搜索，给定的二元函数可能包含有已知漏洞的代码，我们要检查这个二元函数中是否有和已知易受攻击的函数相似的控制流图（control-flow-graph）。这有助于识别闭源软件中易受攻击的静态连结函式库，这是一个很常见的问题 (CVE, 2010; 2018)，现在还没有很好的解决方法。图 1 展示了一个例子，在这个例子中用汇编语言注释的控制流图来表示二元函数。这种相似性学习问题极具挑战性，因为就算是图之间细微的差别也会造成语义上极大的不同，但结构不同的图语义上可能非常相似。因此，对这个问题而言，一个成功的模型应该（1）利用图结构；（2）能从图的结构和学习到的语义中推导出图的相似性。图 1：二元函数相似性学习问题。检查两个图是否相似需要推理图的结构和语义。左边两个控制流图对应使用不同编译器编译的相同函数（因此二者比较相似），但右侧图对应的是不同函数。 解决方案 为了解决图相似性学习问题，该论文研究了 GNN 在这种情况中的使用，探讨了如何用 GNN 将图嵌入到向量空间，并学习这种嵌入模型，从而使向量空间中相似的图靠近、不相似的图分开。这个模型的一个重要特性是它可以将每一个图独立地映射到一个嵌入向量，然后在向量空间中执行相似性计算。因此，可以预先计算并索引大型数据库中的图嵌入，这样就能用快速的最近邻搜索数据结构（如 k-d 树） 或局部敏感哈希算法 (Gionis et al., 1999) 执行高效的检索。 研究者进一步扩展 GNN，提出新型图匹配网络（Graph Matching Networks，GMN）来执行相似性学习。GMN 没有单独计算每个图的图表征，它通过跨图注意力机制计算相似性分数，来关联图之间的节点并识别差异。该模型依赖成对图计算图表征，因此它比嵌入模型更强大，并在准确率和计算之间做出了很好的权衡。 研究者在三个任务上评估了 GMN 和基线模型：仅捕获结构相似性的合成图编辑距离学习任务（synthetic graph edit-distance learning tas），以及两个现实世界任务——二元函数相似性搜索和网格检索，这两项任务都需要推理结构相似性和语义相似性。在所有任务中，GMN 都比基线和结构不可知（structure agnostic）模型的性能更好。在更详细的模型简化测试中，研究者发现 GMN 始终优于图嵌入模型和 Siamese 网络。 该研究的贡献如下： 展示了如何用 GNN 产生用于相似性学习的图嵌入； 提出了新型图匹配网络（GMN），该网络基于跨图注意力匹配来计算相似性； 实验证明，该研究提出的图相似性学习模型 GMN 在多个应用中都有良好的表现，比结构不可知模型和现有的手动建立的基线模型都要好。 深度图相似性学习 给定两个图 G1 = (V1, E1) 和 G2 = (V2, E2)，我们需要一个可以计算两图之间相似性分数 s(G1, G2) 的模型。每个图 G = (V, E) 被表示为节点 V 和边 E 的集合，每个节点 i∈V 都可以和特征向量 x_i 相关联，每条边 (i, j) ∈ E 都可以和特征向量 x_ij 关联起来。这些特征可以表示节点类型、边的方向等。如果一个节点或者一条边不能关联任何特征，那么我们可以将对应向量设置成值为 1 的常量。研究者提出了两个图相似性学习模型：一个是基于标准 GNN 的学习图嵌入的模型；另一个是更为崭新也更加强大的 GMN。图 2 展示了这两个模型：图嵌入模型 图嵌入模型可以将每一个图都嵌入到向量中，然后用向量空间中的相似性矩阵衡量图之间的相似性。GNN 嵌入模型包括三个部分：编码器、传播层和聚合器。 图匹配网络 图匹配网络以一对图作为输入，计算它们之间的相似性分数。和嵌入模型相比，图匹配模型联合成对图计算相似性分数，而不是先将每个图独立地映射到向量上。因此，图匹配模型可能比嵌入模型更加强大，但它需要额外的计算效率。 图匹配网络改变了每个传播层中的节点更新模块，这样不仅可以考虑到每个图的边上的聚合信息，还可以考虑到衡量一个图中的一个节点和其他图中的一或多个节点匹配近日，DeepMind 和谷歌联合进行了一项研究，该研究提出了一种执行相似性学习的新型强大模型——图匹配网络（GMN），性能优于 GNN 和 GCN 模型。该论文已被 ICML 2019 接收。 程度的跨图匹配向量：以调整图的表征，在它们不匹配时放大它们之间的差异。 实验 研究者在三个任务上评估了图相似性学习（Graph Similarity Learning，GSL）框架、图嵌入模型（GNN）以及图匹配网络（GMN）的性能，并将这些模型与其他方法进行了对比。总体上，实验结果表明在图相似性学习任务上，GMN 表现优异，而且始终优于其他方法。 学习图编辑距离（GED) 图 G1 和 G2 之间的图编辑距离即将 G1 变换为 G2 所需的最小编辑操作。通常这些编辑操作包括添加／移除／替换节点和边。图编辑距离是衡量图之间相似性的自然指标，在图相似性搜索中有很多应用。 从下表 1 中可以看出，通过学习特定分布的图，GSL 模型的性能优于一般的基线模型，而 GMN 的性能持续优于图嵌入模型（GNN）。基于控制流图的二元函数相似性搜索 二元函数相似性搜索是计算机安全领域中的重要问题。当我们无法获取源代码时，可以通过二元函数执行分析和搜索，例如在处理商业或嵌入式软件或可疑的可执行程序时。 下图 4 展示了具备不同传播步和不同数据设置的不同模型在二元函数相似性搜索任务上的性能。从图中，我们可以看到： 图嵌入模型和图匹配模型的性能随着传播步的增加而持续提升； 在传播步足够的情况下，图嵌入模型持续优于基线模型； 图匹配模型在所有设置和传播步的情况下都优于图嵌入模型。研究者检测了GMN 模型中不同组件的效果，并将 GMN 模型与图卷积网络（GCN）、图神经网络（GNN）和 GNN/GCN 嵌入模型的 Siamese 版本进行对比。 下表 2 展示了实验结果，表明： GNN 嵌入模型是具备竞争力的模型（比 GCN 模型强大）； 使用 Siamese 网络架构基于图表征学习相似性要比使用预先指定的相似性指标（Euclidean、Hamming 等）好； GMN 优于Siamese 模型，这表明在计算过程早期进行跨图信息交流是非常重要的。
论文阅读<1> Prototypical Networks for Few-shot Learning
qq_41135517的博客
05-05 857
论文阅读<1> Prototypical Networks for Few-shot LearningAbstract1 Introduction2 Prototypical Networks2.1 Algorithm2.2 Choices for Distance Metric2.3 Choices for Episodic Learning Parameters3 Experim...
[论文阅读]Artistic Glyph Image Synthesis via One-Stage Few-Shot Learning
weixin_45740118的博客
07-08 514
本文提出了一种新的用于艺术字形图像合成的一阶段少拍学习模型。提出的AGIS网络只需要少量的训练样本作为输入，然后可以为任何其他字符合成与训练数据具有相同艺术风格的高质量字形图像。并且还构建了一个新的大规模中文字形图像数据集用于评估。该数据集包含各种形状和纹理风格，由35种专业设计的艺术字体(7326个字符)和2460种合成艺术字体(639个字符)渲染而成。在中英文数据集上各有实验。本文的重点是使用字体设计者创建的几个样本自动合成艺术字体中字符的新颖字形图像，如图 所谓一阶段，即生成器可以直接输出带有用
Few-Shot 小样本学习 论文检索
VIEO
01-04 907
References Discriminative k-shot learning using probabilistic models. arXiv preprintarXiv:1706.00326 (2017) A closer look at few-shot classification. In: ICLR (2019) 【已读】 Diversity with cooperation: Ensemble methods for few-shot classification. In: ICCV
【论文解读】（2020-EMNLP）Adaptive Attentional Network for Few-Shot Knowledge Graph Completion
fadeG的博客
10-12 1197
【论文解读】（2020-EMNLP）Adaptive Attentional Network for Few-Shot Knowledge Graph Completion 摘要 最近相关研究的重点为通过学习实体的静态表示方法，而忽略他们的动态属性。 本文通过自适应注意力网络： 实体由自适应邻居编码器建模，来识别他们面向任务的角色 引用由自适应查询感知聚合器建模，来区分他们的贡献 介绍 解决小样本知识图谱补全问题发展： （2018）GMatching提出尾实体预测的解决方法，为了改进引用的语义表示，利用
Few-Shot Knowledge Graph Completion阅读笔记
小白一枚，共同交流，共同进步~
01-23 1491
Few-Shot Knowledge Graph Completion 原文下载 AAAI 2020 摘要 知识图谱作为多种自然语言处理应用的有用资源。原来知识图谱的补全方法要求每种关系拥有大量的训练实例(例如头部-尾部实体)。但是在真实的场景中，对于大多数实体仅有少数的实体对可以得到。并且现有小样本学习方法对于小样本的场景缺乏一般性也没有充分利用监督信息；然而小样本知识图谱补全还没有被很好的研究。在本文工作中作者提出了一个新颖的小样本关系学习模型(FSRL)目的是为了基于给定的参考集发现新关系的实体。FS
Heterogeneous Graph Neural Network（异质图神经网络）
nakaizura
02-16 1万+
Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
小样本学习在图像分类中的应用：深度学习视角
本文主要针对小样本图像分类的算法进行了深入探讨，将当前的方法分为两类：卷积神经网络（CNN）模型和图神经网络（GNN）模型。CNN模型因其在图像处理中的强大能力而被广泛应用，文章中提到的四种学习范式——迁移...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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