多视图子图神经网络：稀缺标注数据下的自监督学习
机器学习
2025-02-06 v1 人工智能
摘要
尽管图神经网络（GNN）已成为基于图的节点分类的事实标准，但它们对充足标注样本的可用性施加了强假设。这一假设限制了主流GNN在许多处于低数据区间的实际应用中的分类性能。具体而言，从稀缺标注节点提取的特征无法为未标注样本提供足够的监督，导致严重的过拟合。在这项工作中，我们指出利用子图捕获长程依赖可以通过同质性属性增强节点的表示，从而缓解低数据区间问题。然而，先前利用子图的工作未能捕获节点间的长程依赖。为此，我们提出了一种新颖的自监督学习框架，称为多视图子图神经网络（Muse），用于处理长程依赖。具体而言，我们提出了一种基于信息论的识别机制，分别从输入空间和潜在空间的视图中识别两类子图。前者用于捕获图的局部结构，而后者捕获节点间的长程依赖。通过融合这两种子图视图，学习到的表示能够保留图的整体拓扑属性，包括局部结构和长程依赖，从而最大化其在下游节点分类任务中的表达能力。实验结果表明，在标注数据有限的节点分类任务上，Muse优于其他替代方法。
引用
@article{arxiv.2404.12569,
title = {Multi-View Subgraph Neural Networks: Self-Supervised Learning with Scarce Labeled Data},
author = {Zhenzhong Wang and Qingyuan Zeng and Wanyu Lin and Min Jiang and Kay Chen Tan},
journal= {arXiv preprint arXiv:2404.12569},
year = {2025}
}