基于正类与未标记节点的图神经网络学习
机器学习
2022-05-17 v1
摘要
图神经网络（GNNs）因其捕捉节点间复杂相互依赖关系的表达能力，成为图节点分类等直推式学习任务的重要工具。为实现图神经网络的学习，现有工作通常假设提供了来自两个或多个类的标记节点，从而可从标记数据中学习判别分类器。实际上，这一假设对应用而言可能过于严格，因为用户可能仅能为少量节点提供单一类别的感兴趣标签。此外，大多数 GNN 模型在每一轮中仅聚合短距离（例如，1-跳邻居）的信息，无法捕捉图中的长距离关系。本文提出一种新颖的图神经网络框架——长短距离聚合网络（LSDAN），以克服这些局限。通过基于邻接矩阵在不同距离层级生成多个图，我们开发了长短距离注意力模型来建模这些图。直接邻居通过短距离注意力机制捕捉，而长距离邻居由长距离注意力机制捕捉。进一步采用两种新颖的风险估计器来聚合长短距离网络，用于 PU 学习，并将损失反向传播以进行模型学习。在真实世界数据集上的实验结果证明了我们算法的有效性。
引用
@article{arxiv.2103.04683,
title = {Learning Graph Neural Networks with Positive and Unlabeled Nodes},
author = {Man Wu and Shirui Pan and Lan Du and Xingquan Zhu},
journal= {arXiv preprint arXiv:2103.04683},
year = {2022}
}
备注
Accepted to ACM Transactions on Knowledge Discovery from Data (TKDD)