一种提升图神经网络表达力的集体学习框架
机器学习
2020-09-30 v2 机器学习
摘要
图神经网络 (GNNs) 近来已成功用于节点和图分类任务, 但 GNNs 建模的是邻近节点属性之间的依赖关系, 而非观测节点标签之间的依赖关系。本文中, 我们考虑在监督与半监督设定下使用 GNNs 进行归纳式节点分类的任务, 旨在融入标签依赖关系。由于当前 GNNs 并非通用 (即最具表达力) 的图表示, 我们提出一种通用的集体学习方法来增强任意现有 GNN 的表示能力。我们的框架结合了集体分类与自监督学习的思想, 并使用蒙特卡洛方法跨图采样嵌入以进行归纳学习。我们在五个真实世界网络数据集上评估性能, 并对多种最先进的 GNNs 展示了节点分类精度的一致且显著的提升。
引用
@article{arxiv.2003.12169,
title = {A Collective Learning Framework to Boost GNN Expressiveness},
author = {Mengyue Hang and Jennifer Neville and Bruno Ribeiro},
journal= {arXiv preprint arXiv:2003.12169},
year = {2020}
}