Meta-Learning for Few-Shot Graph Classification论文

Meta-Learning for Few-Shot Graph Classification是一篇发表在ICLR 2019会议上的论文，主要探讨了如何使用元学习的方法来解决图分类中的小样本学习问题。

在传统的图分类任务中，通常需要先构建一个图表示，并通过一些特征提取方法将其转换为向量表示，然后再使用传统的机器学习方法进行分类。然而，这种方法在处理小样本学习问题时往往会出现过拟合或欠拟合的情况。

为了克服这些问题，本文提出了一种元学习的方法，该方法可以利用少量的训练数据来快速适应新的任务。具体来说，该方法使用了一个基于图卷积神经网络（GCN）的模型，该模型可以通过学习一组参数来对不同的图进行分类。然后，通过在少量的样本上进行训练，可以得到一个快速适应新任务的元模型。

通过在多个数据集上进行实验，本文表明，该方法比传统的机器学习方法和其他元学习方法具有更好的性能，特别是在小样本学习的情况下。

总的来说，本文提出的元学习方法为解决图分类中的小样本学习问题提供了一种有效的解决方案。未来，该方法可以进一步应用于其他领域的小样本学习问题，例如自然语言处理和计算机视觉。