目前流行的图学习方法需要丰富的标签和边信息进行学习。「当新任务的数据稀缺时,元学习允许我们从以前的经验中学习」,并形成急需的归纳偏见,以便快速适应新任务。

此文介绍了「G-META,一种新的图的元学习方法:」

G-META 使用局部子图传递特定于子图的信息,并通过元梯度使模型更快地学习基本知识。 G-META 学习如何仅使用新任务中的少数节点或边来快速适应新任务,并通过学习其他图或相关图(尽管是不相交的标签集)中的数据点来做到这一点。 G-META 在理论上是合理的,因为「特定预测的证据可以在目标节点或边周围的局部子图中找到。」

现有方法是专门为特定的图元学习问题和特定的任务设计的专门技术。虽然这些方法为 GNN 中的元学习提供了一种很有前途的方法,但它们的特定策略没有很好的伸缩性,也不能扩展到其他图的元学习问题(图1)。

成为VIP会员查看完整内容
45

相关内容

Meta Learning,元学习,也叫 Learning to Learn(学会学习)。是继Reinforcement Learning(增强学习)之后又一个重要的研究分支。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【NeurIPS 2020 】神经网络结构生成优化
专知会员服务
19+阅读 · 2020年10月24日
【KDD2020】TAdaNet: 用于图增强元学习的任务自适应网络
专知会员服务
16+阅读 · 2020年9月21日
专知会员服务
29+阅读 · 2020年9月18日
《小样本元学习》2020最新综述论文
专知会员服务
172+阅读 · 2020年7月31日
【浙江大学】使用MAML元学习的少样本图分类
专知会员服务
62+阅读 · 2020年3月22日
专知会员服务
84+阅读 · 2020年1月20日
八篇NeurIPS 2019【图神经网络(GNN)】相关论文
专知会员服务
43+阅读 · 2020年1月10日
【基于元学习的推荐系统】5篇相关论文
专知
9+阅读 · 2020年1月20日
【NeurIPS2019】图变换网络:Graph Transformer Network
ICCV2019|基于全局类别表征的小样本学习
极市平台
11+阅读 · 2019年9月21日
【泡泡图灵智库】基于草图的图像检索的零元学习
泡泡机器人SLAM
12+阅读 · 2019年9月16日
元学习(Meta-Learning) 综述及五篇顶会论文推荐
Meta-Learning 元学习:学会快速学习
专知
24+阅读 · 2018年12月8日
Arxiv
0+阅读 · 2020年11月28日
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
6+阅读 · 2018年3月25日
Arxiv
5+阅读 · 2017年12月14日
VIP会员
相关VIP内容
【NeurIPS 2020 】神经网络结构生成优化
专知会员服务
19+阅读 · 2020年10月24日
【KDD2020】TAdaNet: 用于图增强元学习的任务自适应网络
专知会员服务
16+阅读 · 2020年9月21日
专知会员服务
29+阅读 · 2020年9月18日
《小样本元学习》2020最新综述论文
专知会员服务
172+阅读 · 2020年7月31日
【浙江大学】使用MAML元学习的少样本图分类
专知会员服务
62+阅读 · 2020年3月22日
专知会员服务
84+阅读 · 2020年1月20日
八篇NeurIPS 2019【图神经网络(GNN)】相关论文
专知会员服务
43+阅读 · 2020年1月10日
相关论文
Arxiv
0+阅读 · 2020年11月28日
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
Arxiv
7+阅读 · 2018年6月8日
Arxiv
6+阅读 · 2018年3月25日
Arxiv
5+阅读 · 2017年12月14日
微信扫码咨询专知VIP会员