- 题目：HG-Meta: Graph Meta-learning over Heterogeneous Graphs
- 链接：https://epubs.siam.org/doi/abs/10.1137/1.9781611977172.45
- 源码：-
- 会议：SIAM International Conference on Data Mining (CCF-B)
- 时间：2022-01
- 摘要：主流的监督图神经网络在标签稀疏情况下存在潜在的性能退化。虽然越来越多的人关注小样本学习方法，在标签数据稀缺的情况下学习有效的图嵌入，但现有的大多数工作都是研究同质图，而忽略了异构图(HG)的普遍性。为此，我们提出解决HG上的小样本学习问题，并开发一个新的异构图元学习模型(即HG- meta)。对于图的异构性，HG-Meta首先构建了一个图编码器来聚合来自多个语义上下文(由元路径生成)的异构邻居信息。其次，HG- meta利用任务特征缩放模块和基于度的任务注意模块来处理HG上元任务采样过程中产生的元任务差异，以在小样本场景下使用元学习来训练图编码器。为了进一步缓解低数据问题，HG- meta利用HG中的未标记信息，在元优化过程中使用辅助的自监督学习任务，以促进节点嵌入。在两个HG数据集上的大量实验表明，HG- meta在多个小样本节点分类任务上优于最先进的方法。