IMPRESS: Spazio iperbolico e diffusione per l'apprendimento few-shot su grafi
Un nuovo framework chiamato IMPRESS (IMproving graPh few-shot learning with hypeRbolic spacE and denoiSing diffuSion) affronta le limitazioni nell'apprendimento few-shot su grafi. I metodi esistenti eseguono l'apprendimento delle rappresentazioni dei nodi nello spazio euclideo, non riuscendo a catturare le strutture gerarchiche nei dati grafici reali. Inoltre, durante il meta-test, adattano una distribuzione target empirica da pochi campioni di supporto, che può discostarsi dalla distribuzione reale. IMPRESS utilizza lo spazio iperbolico per modellare meglio le gerarchie e la diffusione denoising per raffinare la distribuzione target. L'approccio è dettagliato in arXiv:2604.27462v1.
Fatti principali
- IMPRESS è un framework per l'apprendimento few-shot su grafi.
- Utilizza lo spazio iperbolico per catturare strutture gerarchiche.
- Impiega la diffusione denoising per migliorare l'adattamento della distribuzione target.
- I metodi esistenti soffrono di limitazioni nello spazio euclideo.
- L'articolo è disponibile su arXiv con ID 2604.27462v1.
- L'apprendimento few-shot su grafi si concentra sull'apprendimento da pochi nodi etichettati.
- Il meta-training tipicamente usa lo spazio euclideo per le rappresentazioni dei nodi.
- Il meta-test spesso utilizza distribuzioni empiriche da pochi campioni di supporto.
Entità
Istituzioni
- arXiv