摘要

在本文中，我们提出了一种新颖的边标签图神经网络（Edge-Labeling Graph Neural Network, EGNN），该网络在边标签图上适应深度神经网络，用于少样本学习。以往的图神经网络（Graph Neural Network, GNN）方法在少样本学习中主要基于节点标签框架，该框架隐式地建模了簇内相似性和簇间差异性。相比之下，所提出的EGNN通过预测图上的边标签而非节点标签，能够在迭代更新边标签的过程中显式地进行聚类演化，直接利用簇内相似性和簇间差异性。此外，EGNN非常适合处理不同数量的类别而无需重新训练，并且可以轻松扩展以执行传递推理。EGNN的参数通过带有边标签损失的逐幕训练进行学习，以获得一个对未见过的低数据问题具有良好泛化的模型。在两个基准数据集上的监督和半监督少样本图像分类任务中，所提出的EGNN显著提升了现有GNN的性能。