2023级博士生刘永皓在CCF A类会议KDD 2025发表题为“Enhancing Unsupervised Graph Few-shot Learning via Set Functions and Optimal Transport”的研究。通讯作者为管仁初教授和丰小月教授，其他合作者包括意大利特伦多大学的Fausto Giunchiglia教授，李熙铭教授和黄岚教授。
图小样本学习展示了即使在标注数据有限的情况下也能快速适应下游任务的能力。最近开发的图小样本学习模型在一系列应用中表现出卓越的性能。但是这些模型仍存在一些局限性。首先，在元训练阶段，这些模型主要考虑任务中的实例级特征，而忽略了对区分不同类别至关重要的集合级特征。其次，在元测试阶段，它们直接利用查询集对分类器进行训练，而支持集则由很少的标记数据组成，忽略了支持集和查询集之间的数据分布变化，从而导致次优结果。为了解决这些问题，本文提出了一种名为STAR的新模型，该模型利用集合函数和最优传输捕获更多任务相关信息，以增强无监督图小样本学习。具体来说，本文利用富有表现力的集合函数，以无监督的方式获取集合级特征，并采用最优传输原则调整支持集和查询集的分布，从而减轻分布偏移带来的负面影响。在多个数据集上进行的大量实验结果证实了所提出模型的有效性。
SIGKDD是数据挖掘和知识发现领域最具影响力的会议之一，CCF推荐A类会议。
