面向图卷积网络的批量虚拟对抗训练
机器学习
2019-05-27 v2 人工智能
机器学习
摘要
我们提出批量虚拟对抗训练（BVAT），一种用于图卷积网络（GCNs）的新正则化方法。BVAT解决了GCN未考虑模型输出分布对输入附近局部扰动的平滑性的缺陷。我们提出两种算法，基于样本的BVAT和基于优化的BVAT，它们分别通过为彼此相距较远的节点子集寻找虚拟对抗扰动或通过优化过程为所有节点生成虚拟对抗扰动，来适于提升图结构数据模型的平滑性。在三个引文网络数据集Cora、Citeseer和Pubmed以及一个知识图谱数据集Nell上的大量实验验证了所提方法的有效性，其在半监督节点分类任务上建立了最先进的结果。
引用
@article{arxiv.1902.09192,
title = {Batch Virtual Adversarial Training for Graph Convolutional Networks},
author = {Zhijie Deng and Yinpeng Dong and Jun Zhu},
journal= {arXiv preprint arXiv:1902.09192},
year = {2019}
}
备注
ICML 2019 Workshop on Learning and Reasoning with Graph-Structured Data