基于原型对比学习的图神经网络在少样本节点分类中的类间判别性增强研究综述.docVIP

基于原型对比学习的图神经网络在少样本节点分类中的类间判别性增强研究综述

1研究背景与问题提出

图结构数据广泛存在于社交网络、生物信息、推荐系统、金融风控等多个领域，节点分类作为图学习领域最基础的任务之一，其核心目标是通过学习节点的表征，对未标注节点的类别归属进行预测。传统图神经网络（GraphNeuralNetwork,GNN）如GCN、GAT、GraphSAGE等在标注样本充足的场景下已取得优异性能，但现实场景中大量图数据存在标注稀缺问题：例如生物蛋白质交互网络中，蛋白质功能标注需要大量湿实验验证，单类标注成本可达数千美元；金融欺诈网络中，新型欺诈模式的样本往往仅有数个到数十个。这类标注样本极度稀缺的场景被定义为少样本节点分类任务，即每个待分类类别仅包含极少量（通常为1-shot或5-shot）标注样本的节点分类场景。

早期少样本节点分类方案多基于元学习框架，通过“元训练-元测试”的范式让模型学会跨任务迁移知识，然而这类方案存在一个核心局限：当不同类别的节点特征分布存在重叠时，模型仅依赖少量标注样本难以学习到具有足够区分度的类别边界，类间判别性不足成为制约少样本节点分类性能提升的核心瓶颈。近年来，对比学习技术的兴起为这一问题提供了新的解决思路，尤其是原型对比学习框架通过将“类原型表征学习”与“对比损失优化”相结合，能够在少量样本条件下有效强化不同类别之间的表征差异，成为少