Meta-Learned Metrics over Multi-Evolution Temporal Graphs

图度量学习方法旨在学习图上的距离度量，使相似(如同类)的图更接近，不相似(如不同类)的图距离更远。这在许多图分类应用中至关重要，如药物发现和流行病分类。大多数图度量学习技术认为输入图是静态的，在很大程度上忽略了时序图的内在动态性。然而，在实践中，图通常具有异质动力学(例如，微观和宏观的演化模式)。因此，标记时序图通常是昂贵的，还需要背景知识。为了在时序图上学习一个好的度量，我们提出了一个时序图度量学习框架Temp-GFSM。在只有少量标记时序图的情况下，Temp-GFSM输出了一个很好的度量，可以准确地对不同的时序图进行分类，并适应于为未见过的类别发现新的子空间。Temp-GFSM中的每个组件都回答了以下问题:在时序图中有哪些模式在演变?如何权衡这些模式来表示不同时态类的特征?如何在只有几个标签的指导下学习指标?最后，在多个领域的真实时序图分类任务上的实验结果表明了Temp-GFSM的有效性。