基于潜在原因发现的图偏标记学习
机器学习
2024-08-23 v3
摘要
图神经网络 (GNN) 因其在解决图表示学习挑战方面的潜力而受到广泛关注，这些挑战涉及跨多个领域的复杂图结构数据。然而，由于图固有的复杂性和互联性，为训练 GNN 精确标注图数据极具挑战性。为解决此问题，我们将偏标记学习 (PLL) 引入图表示学习。PLL 是一个关键的弱监督学习问题，其中每个训练实例都与一组候选标签相关联，包括真实标签和额外的干扰标签。PLL 允许标注者犯错，从而降低了数据标注的难度。随后，我们提出了一种新颖的图表示学习方法，使 GNN 模型能够在 PLL 环境下有效学习判别性信息。我们的方法利用潜在原因提取来获取与标签具有因果关系的图数据。通过基于提取的图数据进行辅助训练，我们的模型可以有效消除 PLL 场景中的干扰信息。我们通过一系列理论分析支持了我们方法背后的原理。此外，我们在多个数据集上进行了广泛的评估和消融研究，证明了我们提出的方法的优越性。
引用
@article{arxiv.2403.11449,
title = {Graph Partial Label Learning with Potential Cause Discovering},
author = {Hang Gao and Jiaguo Yuan and Jiangmeng Li and Peng Qiao and Fengge Wu and Changwen Zheng and Huaping Liu},
journal= {arXiv preprint arXiv:2403.11449},
year = {2024}
}