论文阅读笔记《Edge-Labeling Graph Neural Network for Few-shot Learning》

核心思想

  本文采用基于图神经网络的算法实现了小样本学习任务，先前基于GNN的方法通常是基于节点标签框架，隐式地建立类内相似性和类间差异性的模型。而本文提出的边标签图卷积神经网络（Edge-labeling Graph Neural Network，EGNN）学习预测边标签而不是节点标签，这使其能够显式地表示类内相似性和类间差异性。这样描述还是很抽象，难以理解的，下面就直接介绍本文提出的模型。图模型$\mathcal{G}=(\mathcal{V},\mathcal{E};\mathcal{T})$包含三个部分：样本来自任务$\mathcal{T}$，而$\mathcal{V}:={\left\{V_i\right\}}_{i=1...|\mathcal{T}|}$表示节点集合，$\mathcal{E}:={\left\{E_{ij}\right\}}_{i,j=1...|\mathcal{T}|}$表示边集合，$v_i$和$e_{ij}$分别表示节点和边的特征，$y_i$和$y_{ij}$分别表示节点和边的标签。

每个节点都对应一个样本，其初始值$v_i^0=f_{emb}(x_i;{\theta }_{emb})$是来自一个嵌入式模型根据输入$x_i$提取的特征向量。每个边缘特征$e_{ij}={\left\{e_{ijd}\right\}}_{d=1}^2$是一个二维的向量，分别表示两个连接节点之间类间关系和类内关系的强度，其初始值如下

式中$||$表示级联关系，EGNN的训练过程如下图所示

图中实线圆圈表示支持集样本，虚线圆圈表示查询集样本，不同颜色表示不同类别，方块表示两个节点之间的相似程度，颜色越深表示相似程度越高。整个网络分为L层，正向计算过程就是逐层的更新节点和边的特征。首先更新节点特征$v_i^l$，其特征值是根据前一层的节点特征$v_i^{l-1}$和边特征$e_i^{l-1}$通过邻域聚合过程得到的，计算过程如下

式中$f_v^l$表示节点特征变换网络，${\tilde{e}}_{ijd}^{l-1}=\frac{e_{ijd}}{{\sum }_k{e}_{ikd}}$。类内聚合为目标节点提供了相似邻居的信息，而类间聚合则提供了不相似邻居的信息。而边特征$e_i^l$则是根据更新后的节点特征$v_i^l$，与度量网络$f_e^l$来更新，计算过程如下

每个边特征的更新不仅考虑了对应节点的关系，而且考虑其他节点之间的关系。经过多次迭代更新之后，边标签的预测结果可以根据边特征获得，${\hat{y}}_{ij}=e_{ij1}^L$表示相邻的两个节点$V_i$和$V_j$来自同一类别的可能性，则节点$V_i$所表示的样本属于第$k$类的概率可表示为

式中$\delta ()$表示如果内部等式成立则输出1，否则输出0。本文设计的网络还包含直推式（transductive）和非直推式（non-transductive）两种模式，直推式表示将所有的查询样本都同时放到一个图中，而非直推式则表示每次只添加一个查询样本。

实现过程

网络结构

  本文设计的嵌入式网络f_{emb}，节点特征变化网络$f_v^l$，和度量网络$f_e^l$的结构分别如图所示

损失函数

  本文的损失函数是对边的预测值进行监督，计算方式如下

式中${\hat{Y}}_{m,e}^l$表示在第$l$层网络的第$m$个任务中的所有边预测值的集合，因为每层网络都可以输出预测结果，因此本文对每一层网络的输出都进行了监督，基础损失函数$L_e$采用二元交叉熵损失函数。

训练策略

  训练过程如下图所示

算法推广

  本文设计的算法可以通过添加无标签样本实现半监督训练。

创新点

• 用边标签预测，取代了节点标签预测，显式地表示类内相似性与类间差异性，利用图神经网络实现小样本学习任务

算法评价

  本文提出的算法相对于之前的基于图神经网络的算法而言，最大的变化就是使用边标签预测取代了节点标签预测，利用一个二维的边特征显式地表示了类内相似性与类间差异性，相对于其他基于图神经网络的小样本学习算法而言，本文在多个数据集上都取得了一定的进步。

如果大家对于深度学习与计算机视觉领域感兴趣，希望获得更多的知识分享与最新的论文解读，欢迎关注我的个人公众号“深视”。