通过监督对比学习和自训练提升半监督多视角图卷积网络
机器学习
2025-12-17 v1 计算机视觉与模式识别
摘要
图卷积网络（GCN）基于的多视角学习提供了强大的框架，用于整合来自异构视角的结构信息，使能够有效建模复杂的多视角数据。然而，现有方法常未充分利用跨视角的互补信息，导致特征表示次优且性能受限。为此，我们提出了MV-SupGCN，一个集成了若干互补组件并相互强化的半监督GCN模型。首先，为更好地捕获判别性特征并提高模型泛化能力，我们设计了联合损失函数，将交叉熵损失与监督对比损失结合，鼓励模型在潜空间中同时最小化类内方差并最大化类间可分性。其次，鉴于单一图构建方法的不稳定性和不完整性，我们在每个视角上结合KNN基于图构建方法和半监督图构建方法，从而增强数据结构表示的鲁棒性并降低泛化误差。最后，为有效利用大量无标签数据并增强多视角间的语义对齐，我们提出统一框架，将对比学习整合以强制多视角嵌入之间的一致性，并捕获有意义的跨视角关系；同时引入伪标签，作为额外监督应用于交叉熵和对比损失函数，以增强模型泛化。广泛的实验表明，MV-SupGCN在多个基准数据集上 consistently 超越当前最先进的方法，验证了该集成方法的有效性。源代码已公开于 https://github.com/HuaiyuanXiao/MVSupGCN。
引用
@article{arxiv.2512.13770,
title = {Enhancing Semi-Supervised Multi-View Graph Convolutional Networks via Supervised Contrastive Learning and Self-Training},
author = {Huaiyuan Xiao and Fadi Dornaika and Jingjun Bi},
journal= {arXiv preprint arXiv:2512.13770},
year = {2025}
}