基于结构感知图学习的正-无标记节点分类
机器学习
2023-10-23 v1 人工智能
摘要
图上的节点分类是一个具有众多应用的重要研究问题。现实世界图数据集可能并不像大多数现有工作所假设的那样平衡和准确。一个具有挑战性的设定是正-无标记(PU)节点分类，其中标记节点仅限于正类节点。它有多样的应用，例如大流行预测或网络异常检测。现有PU节点分类工作忽视了图结构中的信息，而这可能至关重要。本文中，我们提出更好地利用图结构进行PU节点分类。我们首先提出一种距离感知PU损失，利用图中的同质性引入更准确的监督。我们还提出一种正则化项使模型与图结构对齐。理论分析表明，最小化所提损失也导致最小化同时具有正负标签的期望损失。在多样图数据集上的大量实证评估证明了其相对于现有最先进方法的优越性能。
引用
@article{arxiv.2310.13538,
title = {Positive-Unlabeled Node Classification with Structure-aware Graph Learning},
author = {Hansi Yang and Yongqi Zhang and Quanming Yao and James Kwok},
journal= {arXiv preprint arXiv:2310.13538},
year = {2023}
}
备注
CIKM 2023