用于半监督分类的深度图学习
计算机视觉与模式识别
2020-06-01 v1
摘要
图学习能够基于图卷积网络动态捕获数据的分布结构（图结构），而图结构的学习质量直接影响GCN在半监督分类中的表现。现有方法大多将计算层与相关损失结合到GCN中，以探索全局图（从所有数据样本中度量图结构）或局部图（从局部数据样本中度量图结构）。全局图侧重于类间数据的整体结构描述，而局部图倾向于类内数据的邻域结构表示。然而，由于这些图之间的相互依赖性，在半监督分类的学习过程中很难同时平衡这些图。为了模拟这种相互依赖性，我们提出了深度图学习，以为半监督分类寻找更好的图表示。DGL不仅可以通过前一层的度量计算更新来学习全局结构，还可以通过下一层的局部权重重分配来挖掘局部结构。此外，DGL能够通过动态编码这些结构之间的相互依赖性来融合不同结构，并通过分层渐进学习深入挖掘不同结构之间的关系，从而提升半监督分类的性能。实验表明，DGL在用于引文网络的三个基准数据集（Citeseer、Cora和Pubmed）以及用于图像的两个基准数据集（MNIST和Cifar10）上均优于SOTA方法。
引用
@article{arxiv.2005.14403,
title = {Deep graph learning for semi-supervised classification},
author = {Guangfeng Lin and Xiaobing Kang and Kaiyang Liao and Fan Zhao and Yajun Chen},
journal= {arXiv preprint arXiv:2005.14403},
year = {2020}
}