用于半监督分类的类注意力扩散网络
机器学习
2021-01-01 v3 机器学习
摘要
近年来，用于半监督分类的图神经网络被广泛研究。然而，现有方法仅利用有限邻居的信息，且未处理图中的类间连接。本文中，我们提出具有类注意力扩散（CAD）的自适应聚合（AdaCAD），一种在 K 跳邻居中自适应聚合可能同类节点的新聚合方案。为此，我们首先提出一种称为类注意力扩散（CAD）的新随机过程，其加强对类内节点的注意力并削弱对类间节点的注意力。与现有仅由图结构决定转移矩阵的扩散方法不同，CAD 通过我们利用分类器设计的类注意力转移矩阵同时考虑节点特征与图结构。接着，我们进一步提出一种自适应更新方案，依据局部类上下文对每个节点采用不同的扩散结果反射率。作为主要优势，AdaCAD 缓解了由节点标签与图拓扑不一致引起的类间特征不期望混合问题。基于 AdaCAD，我们构建了称为类注意力扩散网络（CAD-Net）的简单模型。在七个基准数据集上的大量实验一致证明了所提方法的有效性，且我们的 CAD-Net 显著优于最先进方法。代码见 https://github.com/ljin0429/CAD-Net。
引用
@article{arxiv.2006.10222,
title = {Class-Attentive Diffusion Network for Semi-Supervised Classification},
author = {Jongin Lim and Daeho Um and Hyung Jin Chang and Dae Ung Jo and Jin Young Choi},
journal= {arXiv preprint arXiv:2006.10222},
year = {2021}
}
备注
Accepted to AAAI 2021