基于随机节点标注的图不确定性感知自训练
机器学习
2025-07-31 v2 机器学习
摘要
自训练已成为利用未标注数据的流行半监督学习技术。然而,伪标签的过度自信仍是一项关键挑战。在本文中,我们提出一种新颖的基于图的不确定性感知自训练(GUST)框架,以应对节点分类中的过度自信问题。受 Wang 等人 \cite{wang2024uncertainty} 所提出的不确定性整合思想启发,我们的方法显著区别于以往的自训练方法,聚焦于基于图拓扑的随机节点标注。具体而言,我们部署一个受贝叶斯启发的模块来估计节点级不确定性,通过类似期望-最大化(EM)的步骤将这些估计纳入伪标签生成过程,并迭代更新节点嵌入与基于邻接关系的变换。在多个基准图数据集上的实验结果表明,我们的 GUST 框架取得了 SOTA 性能,尤其在标注数据极度稀疏的场景下表现突出。
引用
@article{arxiv.2503.22745,
title = {Graph-Based Uncertainty-Aware Self-Training with Stochastic Node Labeling},
author = {Tom Liu and Anna Wu and Chao Li},
journal= {arXiv preprint arXiv:2503.22745},
year = {2025}
}
备注
arXiv admin note: This paper has been withdrawn by arXiv due to disputed and unverifiable authorship and affiliation