شبكة العصبيات الرسومية المُسمّاة بالأطراف للتعلم القليل الطلقات

في هذا البحث، نقترح شبكة عصبية رسمية جديدة للترميز على الحواف (EGNN)، والتي تكيف شبكة عصبية عميقة على الرسم البياني للترميز على الحواف، لتعلم النماذج القليلة. الطرق السابقة لشبكات العصب الرسمية في تعلم النماذج القليلة كانت تعتمد على إطار الترميز على العقد، والذي يُنمِّذ ضمنيًا التشابه داخل المجموعات والاختلاف بين المجموعات. بالمقابل، تقوم الشبكة المقترحة EGNN بتعلم التنبؤ بعلامات الحواف بدلاً من علامات العقد في الرسم البياني، مما يمكّن من تطور تجميع صريح من خلال تحديث متكرر لعلامات الحواف مع استغلال مباشر لكلٍ من التشابه داخل المجموعات والاختلاف بين المجموعات. كما أنها ملائمة جيدًا لأداء مهام مختلفة بعدد فئات مختلف دون إعادة التدريب، ويمكن توسيعها بسهولة لأداء الاستدلال الإنتقالي. يتم تعلم معلمات EGNN عبر التدريب الحلقي باستخدام خسارة الترميز على الحواف للحصول على نموذج قابل للتعميم بشكل جيد للمشكلات ذات البيانات المنخفضة غير المعروفة سابقًا. في كلتا مهمتي تصنيف الصور القليلة الإشرافية والشبه إشرافية باستخدام مجموعتين قياسيتين من البيانات، أظهرت الشبكة المقترحة EGNN تحسينًا كبيرًا في الأداء مقارنة بالشبكات العصبية الرسمية الموجودة (GNN).