用于半监督学习的非线性纠正与平滑
机器学习
2023-10-10 v1
摘要
基于图的半监督学习（GSSL）已成功应用于多种场景。现有方法利用图结构和有标签样本进行分类。标签传播（LP）和图神经网络（GNN）均在图上迭代传递消息，其中 LP 通过边传播节点标签，GNN 从邻域聚合节点特征。近来，将 LP 与 GNN 结合带来了性能提升。然而，在高阶图中联合利用标签与特征尚未被探索。因此，我们提出非线性纠正与平滑（NLCS），该方法通过将非线性和高阶表示引入残差传播来改进现有后处理方法，以有效处理复杂的节点关系。系统评估表明，在六个常用数据集上，我们的方法相较基础预测平均提升 13.71%，相较最先进的后处理方法平均提升 2.16%。对比与分析表明，我们的方法能在高阶图中联合利用标签与特征以解决具有挑战性的图关系。
引用
@article{arxiv.2310.05757,
title = {Nonlinear Correct and Smooth for Semi-Supervised Learning},
author = {Yuanhang Shao and Xiuwen Liu},
journal= {arXiv preprint arXiv:2310.05757},
year = {2023}
}