GraFN：基于非参数分布赋值的少标签图半监督节点分类
机器学习
2022-04-29 v3 人工智能
摘要
尽管图神经网络（GNNs）在各种应用中取得成功，但当监督信号量（即标记节点数）有限时，GNNs 会出现显著的性能下降，这是意料之中的，因为 GNNs 仅基于从标记节点获得的监督进行训练。另一方面，近期的自监督学习范式旨在通过求解不需要任何标记节点的前置任务来训练 GNNs，并且已显示出甚至优于用少量标记节点训练的 GNNs。然而，自监督方法的一个主要缺陷是它们不足以学习类判别的节点表示，因为训练期间未利用任何标记信息。为此，我们提出一种新颖的图半监督方法 GraFN，其利用少量标记节点确保属于同一类的节点被分组在一起，从而实现半监督与自监督方法两者的优势。具体而言，GraFN 从标记节点中随机采样支持节点，并从整个图中采样锚节点。然后，它最小化由两个不同增广图通过锚-支持相似度非参数赋值的两种预测类分布之间的差异。我们通过实验表明，在真实世界图的节点分类上 GraFN 超越了半监督和自监督方法。GraFN 的源代码可在 https://github.com/Junseok0207/GraFN 获取。
引用
@article{arxiv.2204.01303,
title = {GraFN: Semi-Supervised Node Classification on Graph with Few Labels via Non-Parametric Distribution Assignment},
author = {Junseok Lee and Yunhak Oh and Yeonjun In and Namkyeong Lee and Dongmin Hyun and Chanyoung Park},
journal= {arXiv preprint arXiv:2204.01303},
year = {2022}
}
备注
SIGIR 2022(Short Paper)