基于置信度的图卷积网络用于半监督学习
机器学习
2019-02-13 v2 社会与信息网络
机器学习
摘要
预测图中节点的属性是一个重要问题，在多种领域有应用。基于图的半监督学习（SSL）方法旨在通过将少量节点标为种子，然后利用图结构预测图中其余节点的标签分数来解决该问题。近来，图卷积网络（GCNs）在基于图的SSL任务上取得了令人印象深刻的性能。除标签分数外，与之关联的置信度分数也是可取的。遗憾的是，GCN情境下的置信度估计此前未被探索。我们在本文中填补这一重要空白，并提出ConfGCN，其在基于GCN的设定中联合估计标签分数及其置信度。ConfGCN利用这些估计的置信度来确定邻域聚合时一个节点对另一节点的影响，从而具备各向异性能力。通过对标准基准的广泛分析与实验，我们发现ConfGCN能够超越最先进的基线。我们已公开ConfGCN源代码以促进可复现研究。
引用
@article{arxiv.1901.08255,
title = {Confidence-based Graph Convolutional Networks for Semi-Supervised Learning},
author = {Shikhar Vashishth and Prateek Yadav and Manik Bhandari and Partha Talukdar},
journal= {arXiv preprint arXiv:1901.08255},
year = {2019}
}
备注
Accepted at AISTATS 2019