用于半监督学习与聚类的全线性图卷积网络
机器学习
2021-11-16 v1 计算机视觉与模式识别
摘要
本文提出 FLGC，一种简单而有效的全线性图卷积网络，用于半监督和无监督学习。我们不使用梯度下降，而是基于解耦过程计算全局最优闭式解来训练 FLGC，从而得到一种广义线性框架，使其更易于实现、训练和应用。我们表明：(1) FLGC 能够处理图结构数据和常规数据；(2) 使用闭式解训练图卷积模型可在不降低性能的情况下提高计算效率；(3) FLGC 是非欧几里得域中经典线性模型（如岭回归和子空间聚类）的自然推广。此外，我们通过引入初始残差策略实现了半监督 FLGC 和无监督 FLGC，使 FLGC 能够聚合远距离邻域并缓解过平滑。我们在多种分类和聚类基准上将我们的半监督与无监督 FLGC 与许多最先进的方法进行比较，表明所提出的 FLGC 模型在准确率、鲁棒性和学习效率方面持续优于以往方法。我们的 FLGC 核心代码发布于 https://github.com/AngryCai/FLGC。
引用
@article{arxiv.2111.07942,
title = {Fully Linear Graph Convolutional Networks for Semi-Supervised Learning and Clustering},
author = {Yaoming Cai and Zijia Zhang and Zhihua Cai and Xiaobo Liu and Yao Ding and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2111.07942},
year = {2021}
}
备注
Under review by IEEE Trans. xxx