开放世界半监督节点分类
机器学习
2024-03-19 v1 人工智能
社会与信息网络
摘要
面向节点分类的开放世界半监督学习（Open-world SSL），即将无标签节点分类为已知类别或多个新类别，是图社区中一个实用但尚未充分探索的问题。由于只有已知类别具有人工标签，它们通常比新类别学习得更好，从而在嵌入空间中表现出更小的类内方差（称为已知类别与新类别之间类内方差的不平衡）。基于实证和理论分析，我们发现这种方差不平衡会对模型性能产生负面影响。预训练特征编码器可以通过为新类别生成紧凑表示来缓解此问题。然而，为各种类型的图数据创建通用的预训练编码器已被证明具有挑战性。因此，需要一种不依赖预训练图编码器的有效方法。在本文中，我们提出了一种名为 OpenIMA 的失衡感知方法，用于开放世界半监督节点分类，该方法通过使用偏差减少的伪标签进行对比学习，从头开始训练节点分类模型。在七个流行图基准上的大量实验证明了 OpenIMA 的有效性，源代码已在 GitHub 上公开。
引用
@article{arxiv.2403.11483,
title = {Open-World Semi-Supervised Learning for Node Classification},
author = {Yanling Wang and Jing Zhang and Lingxi Zhang and Lixin Liu and Yuxiao Dong and Cuiping Li and Hong Chen and Hongzhi Yin},
journal= {arXiv preprint arXiv:2403.11483},
year = {2024}
}
备注
Accepted by ICDE 2024