归一化后传播：针对少样本半监督节点分类的高效亲和正则化
机器学习
2025-04-29 v1
摘要
图神经网络（GNNs）在半监督节点分类方面展现出惊人的能力。然而，大多数现有 GNNs 依赖大量标记数据进行训练，这既费力又需要大量领域知识。在本文中，我们首先从监督信号的角度分析了 GNNs 泛化的局限性，聚焦于少样本半监督节点分类情境。为解决这些挑战，我们提出一种新算法，名为 NormProp，通过利用无标记节点的亲和性假设生成额外的监督信号，从而在标签稀缺的情况下增强泛化能力。我们的核心思想是通过解耦节点表示的方向和欧几里得范数，在消息传递过程中高效捕获类别信息和聚合一致性。此外，我们进行理论分析以确定欧几里得范数的上界，然后提出亲和正则化以约束无标记节点的一致性。大量实验表明，NormProp 在低标签率情境下以较低计算复杂度实现了最先进的性能。
引用
@article{arxiv.2501.08581,
title = {Normalize Then Propagate: Efficient Homophilous Regularization for Few-shot Semi-Supervised Node Classification},
author = {Baoming Zhang and MingCai Chen and Jianqing Song and Shuangjie Li and Jie Zhang and Chongjun Wang},
journal= {arXiv preprint arXiv:2501.08581},
year = {2025}
}
备注
Accepted by AAAI 2025