[论文解读] Structure-Enhanced Meta-Learning For Few-Shot Graph Classification

Shunyu Jiang, Fuli Feng+3 more|arXiv (Cornell University)|Mar 5, 2021

Advanced Graph Neural Networks参考文献 24被引用 4

一句话总结

本文提出 SMF-GIN，一种基于度量的元学习框架，用于少样本图分类，通过自适应聚合与子结构注意力机制显式建模图的全局与局部结构。在 Chembl 和 TRIANGLES 数据集上的评估表明，SMF-GIN 通过结构感知距离度量增强表示学习，实现了最先进性能。

ABSTRACT

Graph classification is a highly impactful task that plays a crucial role in a myriad of real-world applications such as molecular property prediction and protein function prediction.Aiming to handle the new classes with limited labeled graphs, few-shot graph classification has become a bridge of existing graph classification solutions and practical usage.This work explores the potential of metric-based meta-learning for solving few-shot graph classification.We highlight the importance of considering structural characteristics in the solution and propose a novel framework which explicitly considers global structure and local structure of the input graph. An implementation upon GIN, named SMF-GIN, is tested on two datasets, Chembl and TRIANGLES, where extensive experiments validate the effectiveness of the proposed method. The Chembl is constructed to fill in the gap of lacking large-scale benchmark for few-shot graph classification evaluation, which is released together with the implementation of SMF-GIN at: https://github.com/jiangshunyu/SMF-GIN.

研究动机与目标

• 解决在分子和生物应用中常见、每类标注图样本极有限的少样本图分类挑战。
• 克服现有元学习方法未能显式利用图结构特性（如全局拓扑与局部子结构）的局限性。
• 开发一种透明的、结构增强型元学习框架，以在极少数标注样本下提升对新型图类别的泛化能力。
• 引入大规模基准数据集 Chembl，填补少样本图分类评估中的空白。
• 证明在低样本设置下，结构感知表示学习优于标准 GNN 与现有元学习基线方法。

提出的方法

• 采用图同构网络（GIN）作为主干编码器，在多层 GNN 中学习图表示。
• 设计自适应聚合模块，根据图的特定结构特性为不同 GNN 层的表示分配特定权重，以增强全局结构建模。
• 引入子结构注意力机制，提取并融合具有代表性的局部子结构（如分子骨架）到整体图表示中。
• 通过可学习的融合机制结合全局与局部表示，以改善少样本分类的度量空间。
• 使用基于度量的元学习目标进行训练，其中支持集用于在学习到的嵌入空间中计算基于距离的预测。
• 采用基于任务的多任务学习设置进行训练，每个任务模拟一个新的 N 类 K 样本分类任务。

实验结果

研究问题

• RQ1 显式建模图的全局与局部结构是否能提升少样本图分类性能？
• RQ2 多层 GNN 表示的自适应聚合在低样本设置下的泛化能力有何影响？
• RQ3 融合子结构表示在多大程度上增强了图嵌入的判别能力？
• RQ4 结构感知的基于度量的元学习框架是否优于标准梯度更新或非结构感知的元学习方法？
• RQ5 所提出方法在大规模真实世界少样本图基准（如 Chembl）上的有效性如何？

主要发现

• SMF-GIN 在 TRIANGLES 和 Chembl 数据集上实现了少样本图分类的最先进性能，展现出在标注图样本极少情况下的优越泛化能力。
• 消融实验验证了通过自适应聚合实现的全局结构建模与通过子结构注意力实现的局部结构建模均显著提升了分类准确率。
• 所提框架优于原始 GIN 与现有元学习基线方法，尤其在低样本场景（如 1- 或 2-样本设置）下表现更优。
• Chembl 基准数据集的发布为未来少样本图学习研究提供了大规模、真实的评估环境。
• SMF-GIN 中的注意力机制具有可解释性，揭示了分子骨架等子结构在分类决策中起决定性作用。
• 由于采用多粒度结构建模，该框架在多种图类型（包括直径和结构复杂度各异的分子）上均表现出鲁棒性。