受选举人团启发用于图生成的启发式半监督学习
社会与信息网络
2020-10-15 v2 机器学习
机器学习
摘要
近来，基于图的算法因在半监督设定下的惊人成功而备受关注。为获得更好的模型性能，已有研究学习对输入图的拓扑进行变换。然而，这些工作仅聚焦于优化原始节点与边，未探索扩充现有数据的方向。本文通过模拟图信号的生成过程，提出一种新颖的启发式预处理技术，即选举人团（ELectoral COllege, ELCO），其自动扩展新节点与边以精炼稠密子图内的标签相似性。我们的框架以高质量生成的带标签数据大幅扩充原始训练集，能有效惠及下游模型。为验证 ELCO 的通用性与实用性，我们将其与流行的图卷积网络（Graph Convolution Network）和图注意力网络（Graph Attention Network）结合，在三个标准数据集上进行了广泛评估。在所有测试的设定中，我们的方法将基模型平均分提升达 4.7 分，且一致优于当前最优（SOTA）。我们在 https://github.com/RingBDStack/ELCO 发布代码与数据以保证可复现性。
引用
@article{arxiv.2006.06469,
title = {Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College},
author = {Chen Li and Xutan Peng and Hao Peng and Jianxin Li and Lihong Wang and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2006.06469},
year = {2020}
}