增强图卷积网络中未标记节点标签影响的技术方法
机器学习
2025-05-23 v3
摘要
图卷积网络(GCN)的消息传递机制使标签信息能够传递给更多未标记的邻居，从而增加标签的利用率。然而，额外的标签信息并不总是对GCN产生积极影响。为此，我们提出一种新的两阶段框架，称为ELU-GCN。在第一阶段，ELU-GCN进行图学习，以学习新的图结构(即ELU图)，从而使额外的标签信息能够积极影响GCN的预测。在第二阶段，我们在GCN框架上设计一种新的图对比学习，以探索所学习的ELU图与原始图之间的一致性和互斥性。此外，我们理论上证明了所提方法能够确保GCN的泛化能力。大量实验验证了我们方法的优越性。
引用
@article{arxiv.2411.02279,
title = {Enhancing the Influence of Labels on Unlabeled Nodes in Graph Convolutional Networks},
author = {Jincheng Huang and Yujie Mo and Xiaoshuang Shi and Lei Feng and Xiaofeng Zhu},
journal= {arXiv preprint arXiv:2411.02279},
year = {2025}
}
备注
Accepted by ICML2025