DisenSemi：基于解缠表示学习的半监督图分类

图分类是众多多媒体应用中的关键任务，图被用于表示包括图像、视频和社交网络等多种类型的数据。然而，在实际场景中，标记图数据可能有限或稀缺。为此，我们聚焦于半监督图分类问题，即模型从标记和未标记数据中进行学习。与最近的做法不同，我们认为有效的迁移应仅保留与监督任务一致良好的相关语义。本文提出一种名为 DisenSemi 的新型框架，用于半监督图分类。具体而言，提出了解缠图编码器，用于为监督模型和非监督模型生成分量级图表示。随后，我们分别通过监督目标和互信息 (MI) 约束训练两个模型。为确保从非监督编码器到监督编码器之间知识的有意义迁移，我们进一步定义了基于 MI 的解缠一致性正则化，并确定了与当前图分类任务一致的依据。实验在多个公开数据集上表明，我们的 DisenSemi 方法有效。