面向部分标注图上归纳学习的对抗正则化图注意力网络
机器学习
2023-03-14 v2 社会与信息网络
摘要
数据标注的高成本常导致实际应用中的节点标签匮乏。为提高节点分类准确率，基于图的半监督学习利用大量无标签节点与稀缺的可用有标签节点共同训练。然而，大多数现有方法在模型训练时需要包括待预测节点在内的所有节点信息，这对于含有新增节点的动态图并不实用。为解决该问题，提出一种对抗正则化图注意力模型，用于对部分标注图中的新增节点进行分类。设计了一种基于注意力的聚合器，通过聚合邻节点信息来生成节点表示，从而自然泛化至此前未见过的节点。此外，采用对抗训练，通过强制节点表示匹配先验分布来提升模型的鲁棒性与泛化能力。在真实数据集上的实验证明了所提方法与最先进方法相比的有效性。代码见 https://github.com/JiarenX/AGAIN。
引用
@article{arxiv.2106.03393,
title = {Adversarially Regularized Graph Attention Networks for Inductive Learning on Partially Labeled Graphs},
author = {Jiaren Xiao and Quanyu Dai and Xiaochen Xie and James Lam and Ka-Wai Kwok},
journal= {arXiv preprint arXiv:2106.03393},
year = {2023}
}