图间的标签传播：基于图神经正切核的节点分类
机器学习
2021-10-11 v1 信号处理
摘要
图神经网络（GNNs）在过去几年中于节点分类任务上取得了优越性能。通常，这被构建为转导式半监督学习设定，其中整个图（包括待标记的目标节点）都可用于训练。部分受可扩展性驱动，近期工作聚焦于归纳式情形，即仅图的已标记部分可用于训练。在此背景下，我们当前工作考虑一种具有挑战性的归纳式设定：训练时有一组已标记图可用，而未标记目标图完全独立，即已标记与未标记节点间无任何连接。在测试图与训练图来自相似分布的隐含假设下，我们的目标是开发一个可泛化至未观测连接结构的标记函数。为此，我们采用对应于无限宽 GNNs 的图神经正切核（GNTK），基于拓扑与节点特征在不同图的节点间寻找对应关系。我们通过残差连接增强 GNTK 的能力，并在标准基准上实证展示了其性能提升。
引用
@article{arxiv.2110.03763,
title = {Label Propagation across Graphs: Node Classification using Graph Neural Tangent Kernels},
author = {Artun Bayer and Arindam Chowdhury and Santiago Segarra},
journal= {arXiv preprint arXiv:2110.03763},
year = {2021}
}
备注
Under review at IEEE ICASSP 2022