属性网络上用于节点分类的带自适应掩码传播再训练方法
机器学习
2022-06-24 v2 人工智能
摘要
属性网络上的节点分类是一项对网络分析至关重要的半监督任务。通过解耦图卷积网络（GCNs）中的两个关键操作——特征变换与邻域聚合，一些解耦 GCN 的近期工作能够支持信息更深传播并取得先进性能。然而，它们遵循 GCN 传统的结构感知传播策略，难以捕捉节点的属性相关性，并且对结构噪声（即两端点属于不同类别的边）敏感。为解决这些问题，我们提出一种称为带自适应掩码传播再训练（PAMT）的新方法。其核心思想是将属性相似度掩码整合进结构感知传播过程。如此，PAMT 能在传播中保留相邻节点的属性相关性，并有效降低结构噪声的影响。此外，我们开发了迭代精炼机制，在训练过程中更新相似度掩码以提升训练性能。在四个真实世界数据集上的大量实验证明了 PAMT 的优越性能与鲁棒性。
引用
@article{arxiv.2206.10142,
title = {Propagation with Adaptive Mask then Training for Node Classification on Attributed Networks},
author = {Jinsong Chen and Boyu Li and Qiuting He and Kun He},
journal= {arXiv preprint arXiv:2206.10142},
year = {2022}
}