用于半监督多标签节点分类的协同图游走
机器学习
2024-03-14 v2 人工智能
机器学习
摘要
在本工作中，我们研究属性图中的半监督多标签节点分类问题。多标签节点分类的经典解法分为两步：先学习节点嵌入，再在所学嵌入上构建节点分类器。为提升节点嵌入的判别力，我们提出一种新颖的协同图游走，名为 Multi-Label-Graph-Walk，通过强化学习利用属性图中可用的标签分配来精细调整节点表示。所提方法将多标签节点分类任务表述为多个标签特定智能体同时进行的图游走。此外，标签级图游走策略以协作方式学习，以首先捕捉节点标签与图结构属性之间的预测关系，其次捕捉多个标签特定分类任务间的相关性。一项全面的实验研究表明，所提方法可比最先进（SOTA）方法取得显著更优的多标签分类性能，并进行更高效的图探索。
引用
@article{arxiv.1910.09706,
title = {Collaborative Graph Walk for Semi-supervised Multi-Label Node Classification},
author = {Uchenna Akujuobi and Han Yufei and Qiannan Zhang and Xiangliang Zhang},
journal= {arXiv preprint arXiv:1910.09706},
year = {2024}
}
备注
Accepted for IEEE International Conference on Data Mining (ICDM) 2019