论文题目： Meta-GNN: On Few-shot Node Classification in Graph Meta-learning

摘要： 元学习作为一种模仿人类智能的可能方法，近来受到了极大的关注，即，学习新的知识和技能。现有的元学习方法多用于解决图像、文本等少数样本的学习问题，在欧几里得域比较常见。然而，将元学习应用于非欧几里得域的研究工作非常少，最近提出的图神经网络(GNNs)模型在处理图少样本学习问题时表现不佳。为此，我们提出了一种新的图元学习框架——元GNN，以解决图元学习环境中节点分类问题。该算法通过对多个相似的少样本学习任务进行训练，获得分类器的先验知识，然后利用标记样本数量较少的新类对节点进行分类。此外，Meta-GNN是一个通用模型，可以直接纳入任何现有的最先进的GNN。我们在三个基准数据集上的实验表明，我们的方法不仅在元学习范式中大大提高了节点分类性能，而且为任务适应提供了一个更通用、更灵活的模型。

论文作者： Fan Zhou, Chengtai Cao, Kunpeng Zhang, Goce Trajcevski, Ting Zhong, Ji Geng