从聚类假设到图卷积:基于图的半监督学习再探
机器学习
2025-08-07 v3 人工智能
摘要
基于图的半监督学习(GSSL)长期以来都是热门研究方向。传统方法一般是基于聚类假设的浅层学习器。近来,图卷积网络(GCNs)因其令人瞩目的性能成为主流技术。本文在一个统一优化框架下从理论上探讨这两类方法之间的关系。最引人注目的发现之一是,不同于传统方法,典型GCN在各层可能并未联合考虑图结构与标签信息。受此启发,我们进一步提出三种简单而强大的图卷积方法。其一是监督方法OGC,以标签引导图卷积过程。另两种为无监督方法:GGC及其多尺度版本GGCM,二者均旨在卷积过程中保持图结构信息。最后,我们进行了大量实验以证明所提方法的有效性。代码见 https://github.com/zhengwang100/ogc_ggcm。
引用
@article{arxiv.2309.13599,
title = {From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited},
author = {Zheng Wang and Hongming Ding and Li Pan and Jianhua Li and Zhiguo Gong and Philip S. Yu},
journal= {arXiv preprint arXiv:2309.13599},
year = {2025}
}