少标签图数据上的有效稳定化自训练方法
机器学习
2023-03-02 v4 机器学习
摘要
图神经网络 (GNNs) 专为图上半监督节点分类而设计，其中仅有一部分节点具有类标签。然而，在可用标签极少（例如每类仅 1 个标注节点）的极端情况下，GNNs 会出现严重的性能下降。具体而言，我们观察到现有 GNNs 在少标签图上训练过程不稳定，导致节点分类性能不佳。因此，我们提出了一种有效框架——稳定化自训练 (SST)，它可应用于现有 GNNs 以处理标注数据稀缺的问题，从而提升分类准确率。我们进行了详实的实证与理论分析以支持我们的发现并为 SST 中的算法设计提供动机。我们将 SST 应用于两种流行的 GNN 模型 GCN 和 DAGNN，分别得到 SSTGCN 和 SSTDA 方法，并在 5 个基准数据集上与 10 个竞争方法进行了评估。大量实验表明，所提出的 SST 框架非常有效，尤其在少标签数据可用时。我们的方法在几乎所有设置下的所有数据集上均取得了优越性能。例如，在每类仅 1 个标注节点的 Cora 数据集上，SSTGCN 的准确率为 62.5%，比 GCN 高 17.9%，而 SSTDA 的准确率为 66.4%，优于 DAGNN 达 6.6%。
引用
@article{arxiv.1910.02684,
title = {Effective Stabilized Self-Training on Few-Labeled Graph Data},
author = {Ziang Zhou and Jieming Shi and Shengzhong Zhang and Zengfeng Huang and Qing Li},
journal= {arXiv preprint arXiv:1910.02684},
year = {2023}
}
备注
34 pages