老当益壮：在部分观测特征下重新点亮图上的标签传播
机器学习
2025-08-05 v1 人工智能
摘要
在真实世界的图中，我们经常遇到特征缺失的情况，即少数或大多数节点特征（如敏感信息）缺失。在这种情况下，直接利用图神经网络(GNN)在节点分类等下游任务中会产生次优结果。尽管出现了少数基于GNN的方法试图缓解特征缺失问题，但当仅有少量特征可用时，它们的表现甚至不如传统的基于结构的模型。为此，我们提出了一个新颖的框架，进一步点亮了经典标签传播的潜力，利用了特征传播，尤其是在仅有部分特征可用时。该框架现被称为GOODIE，它采用混合方法从标签传播分支和特征传播分支获取嵌入。为此，我们首先设计了一个基于GNN的解码器，使标签传播分支能够输出与FP分支对齐的隐藏嵌入。然后，得益于新设计的结构-特征注意力，GOODIE能自动捕获结构和特征信息的重要性。随后，通过一种新颖的伪标签对比学习，区分源自LP分支的伪标签中每个正样本对的贡献，GOODIE输出未标记节点的最终预测。通过广泛的实验，我们证明所提模型GOODIE不仅在仅有少量特征可用时，而且在特征充裕的情况下，均优于现有的SOTA方法。GOODIE的源代码可在：https://github.com/SukwonYun/GOODIE 获取。
引用
@article{arxiv.2508.01209,
title = {Oldie but Goodie: Re-illuminating Label Propagation on Graphs with Partially Observed Features},
author = {Sukwon Yun and Xin Liu and Yunhak Oh and Junseok Lee and Tianlong Chen and Tsuyoshi Murata and Chanyoung Park},
journal= {arXiv preprint arXiv:2508.01209},
year = {2025}
}
备注
KDD 2025