Unsupervised Episode Generation for Graph Meta-learning

要約

我々は、教師なしグラフメタ学習によって少数ショットノード分類（FSNC）タスクを解決するために、Neighbors as Queries（NaQ）と呼ばれる教師なしエピソード生成手法を提案します。
そうすることで、グラフ内のすべてのノードの情報を最大限に利用できるようになります。これは、ラベル不足の問題により、現在の FSNC の教師ありメタ学習方法では不可能です。
さらに、トレーニング段階で解決すべき下流のタスクを見落とす結果、グラフのクラスの不均衡に対する脆弱性が生じる教師なしグラフ対照学習 (GCL) 手法とは異なり、モデルが下流のタスクを認識できるようにするエピソード学習フレームワークを採用しています。
タスク形式、つまりFSNC。
提案された NaQ は、グラフからランダムにノードをサンプリングしてサポート セットを作成し、続いて類似性に基づいてノードをサンプリングして対応するクエリ セットを作成する、シンプルだが効果的な教師なしエピソード生成方法です。
NaQ はモデルに依存しないため、既存の教師ありグラフ メタ学習メソッドは、パフォーマンスをほとんど犠牲にすることなく、場合によってはパフォーマンスを向上させながら、教師なしの方法でトレーニングできます。
広範な実験結果は、FSNCタスクに対するグラフメタ学習のための私たちが提案した教師なしエピソード生成法の有効性を実証しています。
コードは https://github.com/JhngJng/NaQ-PyTorch で入手できます。

要約(オリジナル)

We propose Unsupervised Episode Generation method called Neighbors as Queries (NaQ) to solve the Few-Shot Node-Classification (FSNC) task by unsupervised Graph Meta-learning. Doing so enables full utilization of the information of all nodes in a graph, which is not possible in current supervised meta-learning methods for FSNC due to the label-scarcity problem. In addition, unlike unsupervised Graph Contrastive Learning (GCL) methods that overlook the downstream task to be solved at the training phase resulting in vulnerability to class imbalance of a graph, we adopt the episodic learning framework that allows the model to be aware of the downstream task format, i.e., FSNC. The proposed NaQ is a simple but effective unsupervised episode generation method that randomly samples nodes from a graph to make a support set, followed by similarity-based sampling of nodes to make the corresponding query set. Since NaQ is model-agnostic, any existing supervised graph meta-learning methods can be trained in an unsupervised manner, while not sacrificing much of their performance or sometimes even improving them. Extensive experimental results demonstrate the effectiveness of our proposed unsupervised episode generation method for graph meta-learning towards the FSNC task. Our code is available at: https://github.com/JhngJng/NaQ-PyTorch.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google