扩展图卷积网络的标签集
机器学习
2019-12-23 v1 机器学习
摘要
近年来，图卷积网络（GCNs）及其变体被广泛用于涉及图的学习任务。这些任务包括推荐系统、节点分类等。在节点分类问题中，输入是一个图，其中边表示节点对之间的关联，多维特征向量与节点相关联，且图中部分节点具有已知标签。目标是利用节点特征与图拓扑结构，预测未标记节点的标签。尽管 GCNs 已成功应用于该问题，但它们从传统深度学习模型继承的缺陷对 GCNs 在节点分类中的广泛应用构成了重大挑战。其中一个缺陷是训练 GCN 需要大量带标签的训练实例，而现实场景中往往并非如此。为缓解这一需求，最先进的方法利用基于网络扩散的方法在训练 GCNs 之前跨网络传播标签。然而，这些方法忽略了网络扩散方法偏向于以中心性衡量邻近度的倾向，导致标签传播到图中连接良好的节点。为解决该问题，我们在此提出一种用于 GCNs 中外推节点标签的替代方法，包含以下三个步骤：(i) 对网络进行聚类以识别社区，(ii) 使用网络扩散算法量化每个节点到各社区的邻近度，从而为每个节点获得低维拓扑轮廓，(iii) 比较这些拓扑轮廓以识别与已标记节点最相似的节点。
引用
@article{arxiv.1912.09575,
title = {Expanding Label Sets for Graph Convolutional Networks},
author = {Mustafa Coskun and Burcu Bakir Gungor and Mehmet Koyuturk},
journal= {arXiv preprint arXiv:1912.09575},
year = {2019}
}