BriefGPT - AI 论文速递
·
放下你的标签：无监督迁移
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
通过ZeroG框架扩展了零样本迁移学习到图领域，解决了特征不对齐、标签空间不匹配和负迁移等挑战。使用语言模型编码节点属性和类别语义，确保数据集间的一致特征维度。通过子图采样模块丰富子图的语义和结构信息，采用轻量级微调策略降低过拟合风险。结果显示ZeroG在跨数据集零样本迁移方面非常有效，为图基础模型的发展开辟了新的路径。在Pubmed上实现了与半监督学习相媲美的结果。
🎯
关键要点
- ZeroG框架扩展了零样本迁移学习到图领域。
- 解决了特征不对齐、标签空间不匹配和负迁移等挑战。
- 使用语言模型编码节点属性和类别语义，确保数据集间的一致特征维度。
- 通过子图采样模块丰富子图的语义和结构信息。
- 采用轻量级微调策略降低过拟合风险。
- ZeroG在跨数据集零样本迁移方面非常有效。
- 在Pubmed上实现了与半监督学习相媲美的结果。
➡️
