用于半监督节点分类的混合图对比网络
机器学习
2025-03-07 v3
摘要
近年来，图神经网络（GNNs）在半监督节点分类中取得了令人瞩目的性能。然而，监督不足的问题以及表示坍缩在很大程度上限制了 GNNs 在该领域的性能。为缓解半监督场景下节点表示的坍缩，我们提出了一种新颖的图对比学习方法，称为混合图对比网络（MGCN）。在我们的方法中，我们通过基于插值的增强策略和相关性缩减机制来提升潜在嵌入的判别能力。具体而言，我们首先在潜在空间中进行基于插值的增强，然后迫使预测模型在样本之间线性变化。其次，我们通过迫使跨视图的相关性矩阵近似为单位矩阵，使学习到的网络能够区分两个插值扰动视图之间的样本。通过结合这两种设置，我们从大量无标签节点和稀少但有价值的标签节点中提取丰富的监督信息，用于判别性表示学习。在六个数据集上的大量实验结果证明了 MGCN 相较于现有最先进方法的有效性和通用性。MGCN 的代码可在 Github 的 https://github.com/xihongyang1999/MGCN 获取。
引用
@article{arxiv.2206.02796,
title = {Mixed Graph Contrastive Network for Semi-Supervised Node Classification},
author = {Xihong Yang and Yiqi Wang and Yue Liu and Yi Wen and Lingyuan Meng and Sihang Zhou and Xinwang Liu and En Zhu},
journal= {arXiv preprint arXiv:2206.02796},
year = {2025}
}