【论文标题】Structure-Enhanced Meta-Learning For Few-Shot Graph Classification

【作者团队】Shunyu Jiang, Fuli Feng, Weijian Chen, Xiang Li, Xiangnan He

【发表时间】2021/04/15

【机 构】中科大/港大，中国 & 新加坡国立大学，新加坡

【论文链接】https://arxiv.org/pdf/2103.03547v4.pdf

【推荐理由】分子图小样本分类

 

图的分类是一项非常有影响的任务，它在无数现实世界的应用，如分子特性预测和蛋白质功能预测中起着至关重要的作用。为了处理具有有限标签的图的新分类，小样本图分类已成为现有图分类问题解决方案和实际应用的桥梁。本文探讨了基于metric的元学习在解决小样本图分类方面的潜力，作者强调在解决方案中考虑结构特征的重要性，并提出了一个明确地考虑了输入图的全局结构和局部结构的新的框架。在此框架及GIN的基础上，本文提出了SMF-GIN模型，并在两个数据集Chembl和TRIANGLES上进行了与包含一般预训练模型在内的各个模型间的比较测试，验证了该方法的有效性。

该框架学习GNN作为编码器，将分子图投射到一个隐层表征中，并且根据近邻原则, 根据他们的隐层表征计算Query set和Support set之间的距离进行预测。在分析隐层表征时作者考虑了分子图的全局结构和局部结构，进行了结构增强。

上图显示了图的局部结构和全局结构的结构增强方法。全局结构特征为图网络的每层表征的总和，局部结构特征为子图的权重表征或每层表征的平均池化。

模型比较结果如上图，作者在Chembl和TRIANGLES上分别测试了1000和500个N-way K-shot任务，粗黑的数字表示我们得到的最佳结果，结果显示在小样本问题上SMF-GIN与一般预训练模型相比效果很好。

内容中包含的图片若涉及版权问题，请及时与我们联系删除