用于半监督节点分类的显式成对分解图神经网络
机器学习
2021-07-29 v1 机器学习
摘要
图的节点特征与结构信息对于半监督节点分类问题都至关重要。已有多种基于图神经网络（GNN）的方法被提出来解决这些问题，它们通常通过特征聚合来确定输出标签。这可能存在问题，因为这意味着给定隐表示时输出节点条件独立，尽管它们在图中存在直接连接。为了学习图中输出节点间的直接影响，我们提出了显式成对分解图神经网络（EPFGNN），它将整个图建模为部分观测的马尔可夫随机场。它包含显式成对因子来建模输出-输出关系，并使用 GNN 主干来建模输入-输出关系。为平衡模型复杂度和表达能力，成对因子具有一个共享分量以及每条边各自独立的缩放系数。我们采用 EM 算法训练模型，并利用星型分段似然作为可处理的替代目标。我们在多个数据集上进行了实验，表明我们的模型能有效提升图上半监督节点分类的性能。
引用
@article{arxiv.2107.13059,
title = {Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification},
author = {Yu Wang and Yuesong Shen and Daniel Cremers},
journal= {arXiv preprint arXiv:2107.13059},
year = {2021}
}