하이퍼볼릭 공간과 디노이징 디퓨전을 이용한 그래프 퓨샷 학습 성능 향상

Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion

그래프 퓨샷 학습은 제한된 수의 레이블된 노드로부터 효과적으로 학습하여 새로운 작업에 빠르게 적응하는 데 중점을 두며, 최근 많은 연구의 관심을 받고 있습니다. 그래프 퓨샷 학습 분야에서 상당한 발전이 있었지만, 기존 방법은 여전히 몇 가지 중요한 한계를 가지고 있습니다. 첫째, 메타 학습 단계에서 이러한 방법은 일반적으로 노드 표현 학습을 유클리드 공간에서 수행하는데, 이는 실제 그래프 데이터에 존재하는 고유한 계층적 구조를 제대로 반영하지 못하는 경우가 많습니다. 둘째, 메타 테스트 단계에서 이러한 방법은 일반적으로 몇 개의 지원 샘플에서 파생된 경험적 목표 분포를 사용하는데, 이 분포가 실제 기반 분포와 크게 다를 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 하이퍼볼릭 공간과 디노이징 디퓨전 기술을 활용하여 그래프 퓨샷 학습 성능을 향상시키는 새로운 프레임워크인 IMPRESS를 제안합니다. 구체적으로, 우리의 모델은 노드 표현을 하이퍼볼릭 공간에서 학습하고, 디노이징 디퓨전 메커니즘을 통해 지원 분포를 풍부하게 합니다. 이론적으로, IMPRESS는 더 강력한 일반화 경계를 달성합니다. 실험적으로, IMPRESS는 여러 벤치마크 데이터 세트에서 경쟁적인 기준 모델보다 우수한 성능을 보입니다.

Graph few-shot learning, which focuses on effectively learning from only a small number of labeled nodes to quickly adapt to new tasks, has garnered significant research attention. Despite recent advances in graph few-shot learning that have demonstrated promising performance, existing methods still suffer from several key limitations. First, during the meta-training phase, these methods typically perform node representation learning in Euclidean space, which often fails to capture the inherently hierarchical structure existing in real-world graph data. Second, during the meta-testing phase, they usually fit an empirical target distribution derived from only a few support samples, even when this distribution significantly deviates from the true underlying distribution. To address these issues, we propose IMPRESS, a novel framework that IMproves graPh few-shot learning with hypeRbolic spacE and denoiSing diffuSion. Specifically, our model learns node representations in a hyperbolic space and enriches the support distribution through denoising diffusion mechanisms. Theoretically, IMPRESS achieves a tighter generalization bound. Empirically, IMPRESS consistently outperforms competitive baselines across multiple benchmark datasets.