基于图的半监督学习的伪对比学习

伪标签是一种通过基于置信度预测生成额外伪标签来提升半监督图神经网络（GNN）性能的技术。然而，由于分类目标对给定标签的敏感性，生成的伪标签质量一直是一个长期关注的问题。为避免不可靠的分类监督指示“一个节点属于某个特定类别”，我们倾向于容错性更强的对比监督，即表明“两个节点不属于同一类别”。由此，生成高质量伪标签的问题便转化为一个更宽松的版本，即识别可靠的负样本对。为实现这一目标，我们为GNN提出了一个通用框架，称为伪对比学习（PCL）。该框架将正负伪标签指向同一类别的两个节点分离开来。为将拓扑知识融入学习过程，我们设计了一种拓扑加权对比损失，该损失投入更多努力来分离拓扑距离较小的负样本对。在实验中，我们将PCL应用于多种GNN，在五个真实世界图数据集上，这些GNN的性能一致优于使用其他流行通用技术的对应模型。