Although Graph Neural Networks (GNNs) have been successful in node classification tasks, their performance heavily relies on the availability of a sufficient number of labeled nodes per class. In real-world situations, not all classes have many labeled nodes and there may be instances where the model needs to classify new classes, making manual labeling difficult. To solve this problem, it is important for GNNs to be able to classify nodes with a limited number of labeled nodes, known as few-shot node classification. Previous episodic meta-learning based methods have demonstrated success in few-shot node classification, but our findings suggest that optimal performance can only be achieved with a substantial amount of diverse training meta-tasks. To address this challenge of meta-learning based few-shot learning (FSL), we propose a new approach, the Task-Equivariant Graph few-shot learning (TEG) framework. Our TEG framework enables the model to learn transferable task-adaptation strategies using a limited number of training meta-tasks, allowing it to acquire meta-knowledge for a wide range of meta-tasks. By incorporating equivariant neural networks, TEG can utilize their strong generalization abilities to learn highly adaptable task-specific strategies. As a result, TEG achieves state-of-the-art performance with limited training meta-tasks. Our experiments on various benchmark datasets demonstrate TEG's superiority in terms of accuracy and generalization ability, even when using minimal meta-training data, highlighting the effectiveness of our proposed approach in addressing the challenges of meta-learning based few-shot node classification.
그래프 인공신경망(GNN)은 노드 분류 작업에서 성공적인 분류 성능을 보여주지만, 그 성능은 클래스별로 충분한 수의 레이블이 지정된 노드의 가용성에 크게 의존한다. 실제 상황에서는 모든 클래스에 많은 레이블이 지정된 노드가 있는 것은 아니며, 모델이 새로운 클래스를 분류해야 하는 경우도 있어 인간의 노동력으로 모든 경우에 대해서 레이블링 하는 것은 어려운 일이다. 이 문제를 해결하기 위해서는 GNN이 레이블이 지정된 노드의 수가 제한된 상황에서도 노드를 분류할 수 있어야 하는데, 이를 '퓨샷 노드 분류'라고 한다. 기존의 에피소드 메타-러닝 기반 방법들은 퓨샷 노드 분류에서 좋은 성능을 이끌어냈지만, 본 연구 결과에 따르면 최적의 성능은 다양한 훈련 메타-작업이 충분히 제공될 때만 달성될 수 있었다. 이러한 문제를 해결하기 위해, 본 논문에서는 '작업-등변성에 기반한 그래프 퓨샷 학습(TEG)' 방법론을 제안한다. 본 TEG 방법론은 모델이 제한된 수의 훈련 메타-작업을 학습하여도 다른 작업으로의 적용이 쉽게 가능한 작업 적응 전략을 배울 수 있게 하여, 다양한 메타-작업에 대한 메타-지식을 습득할 수 있게 한다. 등변성을 유지하는 신경망을 통합함으로써 TEG는 강력한 일반화 능력을 갖출 수 있고, 이를 통해 작업별 적응 전략을 쉽게 학습할 수 있다. 결과적으로, TEG는 제한된 수의 훈련 메타-작업으로도 최고의 성능을 달성한다. 본 논문을 뒷받침하는 실험은 여러 벤치마크 데이터셋에서 TEG의 정확도와 일반화 능력의 우수성을 보여주며, 최소한의 메타-훈련 작업 데이터를 사용함에도 불구하고 기존의 퓨샷 노드 분류 방법론들의 문제점을 해결하는 효과를 증명한다.
