请问(AAAI2020 Yao)提出的Graph Few在图神经网络领域有哪些应用？

本文共计4666个文字，预计阅读时间需要19分钟。

在5月13日的seminar上，我和家人分享了这篇文章。我在博客上准备了一篇相关内容：《基于知识迁移的Graph few-shot learning》。灵感来源于在MLNLP公众号上看到张初夏老师的小样本学习讲座。当然，我还没有看到这篇讲座的完整内容。

22-5-13 seminar上和大家分享了这篇文章，重新整理一下在博客里备个份
[0]Graph few-shot learning via knowledge transfer

起因是在MLNLP的公众号上看到了张初旭老师讲的小样本图学习，虽然没看到录像，但是把ppt下下来研究了一下。所以本文中出现的图片许多都是张老师ppt中的图，在张老师的主页上能够找到的这份PPT。

前置知识 图与图表示学习

首先，老生常谈的，自然界中有许多的图数据和应用，包括社交的，安全的，医学的，化学的等等等等。
其中一种方法称为图表示学习，通过一个模型生成嵌入，可以用于下游任务中，包括节点级别的，边级别的，图级别的各种任务。 这里的嵌入指的是数据输入模型后得到的输出，往往是数据的低维表示。
这种图表示学习，对于具体的任务，非常依赖充足的标签数据。
于是就遇到了相应的挑战，在图上，有许多数据只有很少的标签数据。例如在社交图中有4000个以上的类别只有不到100个节点，在ins上的毒品交易，天生样本量就很少等等。
于是就发现小样本学习是研究这种问题的一个解决方案。

小样本学习简介 小样本学习的训练流程

概念：小样本学习是一类具有很少监督信息，或者是几个标签的机器学习问题。
小样本学习的目标是，通过补充其他的训练数据来模拟目标的小样本学习任务，来从补充数据中学习到一种元知识。
具体来说，使用的是一种称为n-way k-shot 的学习方式。