基于图相似性正则化Softmax的半监督节点分类
机器学习
2024-09-23 v1 最优化与控制
摘要
图神经网络(GNNs)是为图结构数据设计的强大深度学习模型，在广泛的应用中展现出有效性。Softmax函数是半监督节点分类中最常用的分类器。然而，Softmax函数缺乏图结构的空间信息。在本文中，我们提出了一种用于GNN的图相似性正则化Softmax，以实现半监督节点分类。通过将非局部总变换(TV)正则化纳入Softmax激活函数中，我们可以更有效地捕获图中固有的空间信息。非局部分部和发散算子中的权重基于图的邻接矩阵确定。我们将所提出的方法应用于GCN和GraphSAGE的架构中，分别在引用数据集和网页链接数据集上进行测试。数值实验表明，该方法在节点分类和泛化能力方面表现良好。这些结果表明，图相似性正则化Softmax在非 assortative和disassortative图上均有效。
引用
@article{arxiv.2409.13544,
title = {Graph Similarity Regularized Softmax for Semi-Supervised Node Classification},
author = {Yiming Yang and Jun Liu and Wei Wan},
journal= {arXiv preprint arXiv:2409.13544},
year = {2024}
}