图传递性锐化：利用无标签预测提升节点分类
机器学习
2026-05-21 v1
摘要
在节点标签仅部分可得、且整个图观察到的传递性场景中，半监督节点分类的进展主要聚焦于架构创新。本文我们转向一个正交维度：训练目标。我们从一个简单观察出发：传递性模型在训练期间会为每个节点生成预测，包括无标签的节点。这些无标签节点预测可能包含有用的训练信号，但标准监督目标因缺乏真实标签而丢弃它们。受交叉熵分解为标签相关对齐项和标签无关熵项的启发，我们提出将预测置信度作为在无标签情况下的自然信号提取方式。这导致 Transductive Sharpening (TS)：一种在无标签节点上最小化预测熵、同时在有标签节点上进行平衡的损失级修改。我们在广泛的节点分类基准上评估 Transductive Sharpening，观察到无需修改背bone 架构即可实现持续的性能提升。
引用
@article{arxiv.2605.20248,
title = {Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification},
author = {Brown Zaz and Mar Gonzàlez I Català and Ferran Hernandez Caralt and Moshe Eliasof and Pietro Liò},
journal= {arXiv preprint arXiv:2605.20248},
year = {2026}
}
备注
19 pages, 4 figures, 17 tables