用于半监督学习的图神经扩散网络
机器学习
2025-02-24 v3 人工智能
摘要
图卷积网络（GCN）是基于图的半监督学习的开创性模型。然而，GCN 在稀疏标记的图上表现不佳。其两层版本无法有效地将标签信息传播到整个图结构（即欠平滑问题），而其深层版本则过度平滑且难以训练（即过平滑问题）。为解决这两个问题，我们提出了一种新的图神经网络，称为 GND-Nets（图神经扩散网络），它在单层中利用顶点的局部和全局邻域信息。利用浅层网络缓解了过平滑问题，而利用局部和全局邻域信息则缓解了欠平滑问题。对顶点局部和全局邻域信息的利用是通过一种称为神经扩散的新图扩散方法实现的，该方法将神经网络集成到传统的线性和非线性图扩散中。神经网络的采用使得神经扩散能够适应不同的数据集。在各种稀疏标记图上的大量实验验证了 GND-Nets 与最先进方法相比的有效性和效率。
引用
@article{arxiv.2201.09698,
title = {Graph Neural Diffusion Networks for Semi-supervised Learning},
author = {Wei Ye and Zexi Huang and Yunqi Hong and Ambuj Singh},
journal= {arXiv preprint arXiv:2201.09698},
year = {2025}
}
备注
7 pages