双曲空間とノイズ除去拡散によるグラフ少数ショット学習の改善

arXiv cs.LG / 2026/5/1

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

この論文では、既存手法がメタトレーニングとメタテストの両方で抱える制約を解決することで、グラフ少数ショット学習を改善する IMPRESS という枠組みを提案しています。
現実のグラフに多い階層構造をより適切に捉えるため、ノード表現を双曲空間で学習する方針を示しています。
メタテスト時に少数のサポートサンプルから作る支援（目標）分布を、ノイズ除去拡散メカニズムで強化し、真の基準分布により近づけることを狙っています。
著者らは、理論面でよりタイトな汎化境界を達成し、実験面では複数のベンチマークで競合ベースラインを一貫して上回ると報告しています。
全体として IMPRESS は、幾何（双曲埋め込み）と生成的なノイズ除去を組み合わせることで、グラフ課題における少数ショット適応の信頼性を高めます。

要旨: 少数のラベル付きノードから効果的に学習し、新しいタスクに迅速に適応することに焦点を当てたグラフ少数ショット学習は、大きな研究の注目を集めている。有望な性能を示してきたグラフ少数ショット学習の最近の進歩にもかかわらず、既存手法にはいくつかの主要な制約がいまだに残っている。第一に、メタ学習（meta-training）の段階において、これらの手法は通常、ユークリッド空間でノード表現学習を行うが、現実のグラフデータに存在する固有の階層構造を捉えられないことが多い。第二に、メタ評価（meta-testing）の段階において、彼らはたいてい、少数のサポートサンプルから導出した経験的な目的分布に適合させるが、その分布が真の基となる分布から大きく逸脱している場合でも同様である。これらの課題に対処するため、我々は IMPRESS、すなわち IMproves graPh few-shot learning with hypeRbolic spacE and denoiSing diffuSion（双曲空間とノイズ除去拡散によってグラフ少数ショット学習を改善する）という新しい枠組みを提案する。具体的には、提案モデルは双曲空間でノード表現を学習し、ノイズ除去拡散の仕組みによってサポート分布を豊かにする。理論的には、IMPRESS はよりきつい（タイトな）一般化境界を達成する。実験的には、IMPRESS は複数のベンチマークデータセットにおいて一貫して競合するベースラインを上回る。