BAED: Un nuevo paradigma para el aprendizaje de gráficos de pocos disparos con explicación en el bucle

Área de la Ciencia:

• Representación gráfica Aprendizaje Aprendizaje Aprendizaje Aprendizaje
• Aprendizaje automático Aprendizaje automático.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• El aprendizaje de gráficos de pocos disparos (FSGL) se enfrenta a desafíos con datos etiquetados insuficientes debido a los requisitos de anotación de expertos.
• Los métodos FSGL existentes pueden sacrificar la robustez y la interpretabilidad, lo que lleva a un exceso de ajuste y degradación del rendimiento.

Objetivo del estudio:

• Introducir el primer marco de explicación en el bucle para FSGL, llamado BAED.
• Mejorar la adaptabilidad, la robustez y la interpretabilidad del modelo en escenarios de aprendizaje de gráficos de pocos disparos.

Principales métodos:

• Emplear la propagación de creencias para el aumento de etiquetas en datos de gráficos.
• Utilice una red neuronal de gráficos auxiliares y la propagación inversa del gradiente para extraer subgráficos explicativos.
• Base las predicciones finales en subgráficos informativos para mitigar el ruido de los nodos vecinos.

Principales resultados:

• BAED demuestra una precisión de predicción superior en siete conjuntos de datos de referencia.
• El marco logra una mayor eficiencia de la capacitación en comparación con los métodos existentes.
• BAED proporciona explicaciones de alta calidad, mejorando la interpretabilidad de los modelos FSGL.

Conclusiones:

• BAED representa un avance significativo en FSGL mediante la integración de mecanismos de explicación.
• El paradigma de la explicación en el bucle muestra un gran potencial para abordar los desafíos de FSGL.
• Este trabajo allana el camino para sistemas de aprendizaje de gráficos de pocos disparos más robustos, interpretables y eficientes.