面向图半监督学习的循环标签传播
机器学习
2020-11-25 v1
摘要
图神经网络（GNNs）已成为图分析的有效方法，尤其在半监督学习场景中。尽管取得成功，GNN 常受过度平滑与过拟合问题困扰，这影响了其在节点分类任务上的性能。我们分析认为，另一种方法——标签传播算法（LPA）避免了上述问题，因此是图半监督学习的一个有前景的选择。然而，LPA 在特征利用与关系建模上的固有局限使得标签传播效果降低。为克服这些局限，我们引入一种称为循环标签传播（简称 CycProp）的图半监督学习新框架，该框架以循环且相互增强的方式将 GNNs 整合进标签传播过程，以发挥 GNNs 与 LPA 的各自优势。具体而言，我们提出的 CycProp 利用标签传播所得的增广信息更新 GNN 模块学到的节点嵌入，同时借助节点嵌入反过来微调标签传播的加权图。模型收敛后，分别通过 LPA 与 GNN 模块获得可靠预测标签与信息丰富的节点嵌入。我们在多个真实世界数据集上进行了大量实验，实验结果实证表明所提 CycProp 模型相较最先进的方法能取得相对显著的增益。
引用
@article{arxiv.2011.11860,
title = {Cyclic Label Propagation for Graph Semi-supervised Learning},
author = {Zhao Li and Yixin Liu and Zhen Zhang and Shirui Pan and Jianliang Gao and Jiajun Bu},
journal= {arXiv preprint arXiv:2011.11860},
year = {2020}
}
备注
19 pages, 4 figures