C2C-GFL：面向图少样本学习的聚类到类别融合

《Information Fusion》：C2C-GFL: Cluster-to-Class Fusion for Graph Few-Shot Learning

　　

• •
  C2C-GFL直接将对齐后的聚类映射到类别，用于图少样本学习。
• •
  标签感知的对比学习增强了类别一致的节点嵌入。
• •
  证据融合的状态选择结合了标签集中度和图一致性。
• •
  聚类到类别的对齐融合了原型邻近性和标签组成。
• •
  在六个数据集上的实验表明，在少样本监督下有一致的性能提升。

引言

图神经网络（GNN）通过联合建模节点属性和拓扑依赖，为图结构数据中的节点分类提供了强大的范式[1], [2], [3]。这种能力非常重要，因为图结构数据出现在各种实际应用中，例如交通预测[4]、欺诈检测[5]和社交推荐[6]。在这些场景中，节点分类通常依赖于多种信息来源，包括节点属性、图拓扑和标签信息。这使得基于GNN的节点分类与用于类别级推理的信息融合自然相关。然而，这一过程的有效性通常取决于足够的标注节点来提供可靠的类别级指导。当每个类别只有少量标注节点可用时，这种指导就变得有限，这可能会使学到的表示区分度降低，并降低节点分类性能。

许多图少样本学习方法已被开发出来，以减少由有限标注节点导致的准确率损失[7], [8], [9]。其中，聚类辅助方法尤其相关，因为聚类可以从学习到的表示中揭示潜在的节点划分，而无需密集标注。现有研究通常使用深度聚类来构建伪标签[10]、在语义空间中分离节点[11]、挖掘潜在数据分布，或为下游分类提供辅助结构先验。在这些方法中，聚类在训练过程中提供辅助信息，而学习到的聚类划分本身并不直接用作预测级别的表示。

尽管有效，现有的聚类辅助方法主要使用聚类来生成辅助信号，而不是保留学习到的划分用于最终预测。因此，划分中包含的结构和语义信息通过中间变换而非显式的聚类到类别对应关系来对输出做出贡献。这促使我们在学习到的划分足够类别一致且其与目标类别的对应关系能够可靠建立时，更直接地使用聚类。

受这些观察的启发，我们提出了C2C-GFL，一种用于图少样本学习的聚类到类别融合框架。关键思想是在从类别和结构两个角度评估学习到的划分后，将其保留为预测级别的表示。稀疏标签提供类别特定的证据，而图连接性则提供跨未标注群体的证据。它们的联合使用有助于选择一个随后可以与目标类别对齐的划分。这将两个决策分离开来：保留哪个划分以及如何将其聚类与类别关联。第一个决策使用标注节点的集中度和图结构一致性；第二个决策结合了原型邻近性和标注节点组成。

为了实现这一思想，C2C-GFL构建了一个包含三个组件的渐进式聚类到类别路径。具体而言，标签感知的图表示学习将可用标签注入到嵌入过程中，使同一类别的标注节点更接近，同时将不同类别的标注节点分开。在此基础上，学习到的表示空间为后续聚类提供了面向类别的基础。证据融合的聚类状态选择随后将标注节点的集中度与图结构一致性相结合，以对训练轨迹中产生的聚类状态进行评分。仅当当前分数超过记录的最大值时，才替换保留的状态。最后，聚类到类别对齐通过嵌入空间中的原型邻近性和每个聚类内标注节点的经验类别组成来估计保留聚类与目标类别之间的对应关系。每个节点接收其保留聚类所分配的类别。

本文的主要贡献总结如下：

• •
  提出了一种用于图少样本学习的直接聚类到类别融合框架。C2C-GFL将标签感知的聚类划分保留为预测级别的单元，并通过显式的聚类到类别对齐将其转换为节点标签。
• •
  标签感知的图表示学习结合了图重构和监督对比学习。可用标签在聚类之前影响嵌入空间的形成，为后续划分提供面向类别的基础。
• •
  证据融合的状态选择和聚类到类别对齐在不同阶段结合互补信号。标注节点的集中度和图连接性决定保留的划分，而原型邻近性和标注组成决定其类别对应关系。
• •
  在六个基准数据集上的实验评估了C2C-GFL在三种少样本设置下的表现。选择和预测控制实验检验了保留划分的作用，而组件、映射、可靠性和效率分析则表征了完整管线的行为。

本文的其余部分组织如下。第2节回顾了图神经网络和图少样本学习的相关工作。第3节详细介绍了所提出的C2C-GFL框架。第4节报告了实验结果和分析。第5节总结全文。

章节片段

图神经网络

图神经网络（GNN）已被广泛研究用于图结构数据上的表示学习。代表性模型如GCN [12]、GAT [13]和GraphSAGE [14]通过聚合来自图拓扑和节点属性的信息来学习节点表示。在这些基础之上，最近的研究从不同角度进一步提高了GNN的表达能力。PathNN [15]通过引入路径级信息来增强节点表示学习。FE-GNN [16]

C2C-GFL：聚类到类别融合

在介绍所提出的框架之前，我们首先定义问题设置和关键符号。设$\mathcal{G}=(\mathcal{V},\mathcal{E})$表示一个属性图，其中$\mathcal{V}=\{v_1,\dots ,v_n\}$是节点集，$\mathcal{E}$是边集。邻接矩阵和节点属性矩阵分别记为$\mathbf{A}\in {\mathbb{R}}^{n\times n}$和$\mathbf{X}\in {\mathbb{R}}^{n\times d}$。GNN编码器f_θ将图映射为节点表示矩阵$\mathbf{H}={[{\mathbf{h}}_1,\dots ,{\mathbf{h}}_n]}^{?}\in {\mathbb{R}}^{n\times d_h}$，其中h_i表示节点v_i的表示。

在图少样本设置中，只有一个有限的标注节点集${\mathcal{V}}_L?\mathcal{V}$

实验

我们在不同的少样本节点分类设置下评估C2C-GFL。实验首先比较了与代表性图少样本学习方法的整体准确率，并检验了对两个融合系数的敏感性。选择策略和预测路径控制实验随后区分了保留划分与编码器的贡献。组件消融、聚类粒度比较和稀疏证据分析考察了对齐机制在

结论

在本文中，我们提出了C2C-GFL，一种用于图少样本学习的聚类到类别融合框架。C2C-GFL不是仅将聚类用作辅助监督来源，而是将选定的聚类划分保留为最终预测路径的一部分，并显式建立聚类与目标类别之间的对应关系。该框架将有限的标签信息整合到表示学习中，通过结合标注节点的集中度和图结构一致性来评估聚类状态

未引用的浮动元素

图1。

CRediT作者贡献声明

Haoran Yang：写作——原稿，资源，方法学，正式分析，概念化。Rui Duan：软件，数据管理。Xin Guo：可视化，验证。Rui Liu：可视化，验证，数据管理。Ke Liu：写作——审阅与编辑，监督。

利益冲突声明

作者声明，他们没有已知的竞争经济利益或个人关系，可能影响本文所报告的工作。

Haoran Yang|Rui Duan|Xin Guo|Rui Liu|Ke Liu