一种安全的半监督图卷积网络
机器学习
2022-07-06 v1 计算机视觉与模式识别
摘要
在半监督学习领域，图卷积网络（GCN）作为 GNN 的变体模型，通过将卷积引入 GNN 在非欧几里得数据上取得了可喜成果。然而，GCN 及其变体模型无法安全地利用有风险的无标签数据的信息，这将降低半监督学习的性能。因此，我们提出一种安全 GCN 框架（Safe-GCN）以提升学习性能。在 Safe-GCN 中，我们设计了一个迭代过程来标注无标签数据。在每次迭代中，学习一个 GCN 及其监督版本（S-GCN）以找出高置信度的无标签数据。这些高置信度无标签数据及其伪标签随后被加入标签集。最后，利用加入的无标签数据和有标签数据训练一个 S-GCN，从而实现对有风险无标签数据的安全探索并安全利用大量无标签数据。Safe-GCN 在三个知名引文网络数据集上进行了评估，所得结果证明了该框架相对于若干基于图的半监督学习方法的有效性。
引用
@article{arxiv.2207.01960,
title = {A Safe Semi-supervised Graph Convolution Network},
author = {Zhi Yang and Yadong Yan and Haitao Gan and Jing Zhao and Zhiwei Ye},
journal= {arXiv preprint arXiv:2207.01960},
year = {2022}
}