HopGAT：面向稀疏标记图的跳数感知监督图注意力网络
机器学习
2020-04-10 v1 机器学习
摘要
由于节点标记的成本，在稀疏标记图中保持预测精度地对节点进行分类值得关注。关键在于算法如何从具有不同跳数距离的更多邻居中学习充足信息。本研究首先针对节点分类任务提出一种跳数感知注意力监督机制。随后采用模拟退火学习策略，沿训练时间线平衡节点分类与跳数感知注意力系数这两个学习任务。与最先进模型相比，实验结果证明了所提出的跳数感知监督图注意力网络（HopGAT）模型的优越有效性。特别是在蛋白质-蛋白质相互作用网络中，在 40% 标记图上，与全标记图相比性能损失仅 3.9%，从 98.5% 降至 94.6%。大量实验也证明了监督注意力系数与学习策略的有效性。
引用
@article{arxiv.2004.04333,
title = {HopGAT: Hop-aware Supervision Graph Attention Networks for Sparsely Labeled Graphs},
author = {Chaojie Ji and Ruxin Wang and Rongxiang Zhu and Yunpeng Cai and Hongyan Wu},
journal= {arXiv preprint arXiv:2004.04333},
year = {2020}
}