面向图节点分类的标签高效正则化与传播
机器学习
2022-11-01 v2 人工智能
摘要
近来提出了一种称为 GraphHop 的增强型标签传播（LP）方法。它在多种网络的半监督节点分类任务上优于图卷积网络（GCNs）。尽管 GraphHop 的性能通过节点属性与标签信号联合平滑得到了直观解释，但其严格的数学处理尚缺。本文提出一种面向图节点分类的标签高效正则化与传播（LERP）框架，并给出其求解的交替优化过程。进而，我们表明 GraphHop 仅是该框架的近似解且存在两点缺陷。其一，它在分类器训练中包含全部节点，在标签更新步骤中未考虑伪标签节点的可靠性。其二，它在标签聚合步骤中对子问题最优解给出了粗略近似。基于 LERP 框架，我们提出一种新方法即 LERP 方法以解决这两点不足。LERP 在交替优化中自适应确定可靠伪标签，并以计算效率更好地逼近最优解。LERP 的理论收敛性得以保证。我们进行了大量实验以证明 LERP 的有效性与高效性，即 LERP 在五个测试数据集及一个极低标签率（每类 1、2、4、8、16 和 20 个标注样本）下的物体识别任务上一致优于包括 GraphHop 在内的所有基准方法。
引用
@article{arxiv.2204.08646,
title = {Label Efficient Regularization and Propagation for Graph Node Classification},
author = {Tian Xie and Rajgopal Kannan and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2204.08646},
year = {2022}
}