BANGS：图自训练的博弈论节点选择
机器学习
2024-10-15 v1 社会与信息网络
摘要
图自训练是一种半监督学习方法，通过迭代选择一组未标记数据来重新训练底层图神经网络（GNN）模型并提高其预测性能。虽然选择高置信度节点的伪标记策略被证明有效，但这种策略忽略了节点之间的组合依赖关系，并受限于分布的局部视图。为克服这些问题，我们提出了 BANGS，一个将标签策略与条件互信息作为节点选择目标统一的新框架。我们的做法——基于博弈论——以组合方式选择节点，并为在噪声目标下的鲁棒性提供理论保证。更具体地，与传统方法分别对节点进行排序和选择不同，BANGS 将节点视为自训练过程中整体集合。我们的方法在 various 数据集、base 模型和 hyperparameter 设置下表现出优越的性能和鲁棒性，超越了现有技术。BANGS 的代码可在 https://github.com/fangxin-wang/BANGS 上获取。
引用
@article{arxiv.2410.09348,
title = {BANGS: Game-Theoretic Node Selection for Graph Self-Training},
author = {Fangxin Wang and Kay Liu and Sourav Medya and Philip S. Yu},
journal= {arXiv preprint arXiv:2410.09348},
year = {2024}
}
备注
Preprint