用于半监督节点分类的标签增强图神经网络
机器学习
2022-12-26 v2
摘要
图神经网络(GNNs)已广泛应用于半监督节点分类任务，其中关键点在于如何充分利用有限但有价值的标签信息。大多数经典GNNs仅使用已知标签在输出处计算分类损失。近年来，若干方法被设计以在输入处额外利用标签。一部分方法通过拼接或将标签的one-hot编码与节点特征相加来扩充节点特征，而其他方法则通过假设相邻节点倾向于具有相同标签来优化图结构。为充分发挥标签的丰富信息，在本文中我们提出一种用于GNNs的标签增强学习框架，其首先将每个标签建模为类内节点的虚拟中心，然后联合学习节点与标签的表示。我们的方法不仅能平滑属于同一类的节点表示，还能将标签语义显式编码进GNNs的学习过程。此外，提供了一种训练节点选择技术以消除潜在的标签泄漏问题并保证模型泛化能力。最后，提出一种自适应自训练策略，以用更可靠的伪标签迭代扩充训练集，并在模型训练过程中区分每个伪标签节点的重要性。在真实世界与合成数据集上的实验结果证明我们的方法不仅能持续优于SOTA，还能有效平滑类内节点的表示。
引用
@article{arxiv.2205.15653,
title = {Label-Enhanced Graph Neural Network for Semi-supervised Node Classification},
author = {Le Yu and Leilei Sun and Bowen Du and Tongyu Zhu and Weifeng Lv},
journal= {arXiv preprint arXiv:2205.15653},
year = {2022}
}
备注
Accepted by the TKDE journal