以流形平滑损失正则化半监督图卷积网络
机器学习
2020-02-18 v1 机器学习
摘要
现有图卷积网络聚焦于邻域聚合方案。当应用于半监督学习时，由于网络以交叉熵损失在少量标注数据上训练，它们常遭受过拟合问题。本文中，我们提出一种相对于图结构定义的无人监督流形平滑损失，其可作为正则化项加入损失函数。我们将所提损失与迭代扩散过程相联系，并表明最小化该损失等价于以无限层聚合邻居预测。我们在多层感知机与现有图网络上开展实验，证明加入所提损失能一致地提升性能。
引用
@article{arxiv.2002.07031,
title = {Regularizing Semi-supervised Graph Convolutional Networks with a Manifold Smoothness Loss},
author = {Qilin Li and Wanquan Liu and Ling Li},
journal= {arXiv preprint arXiv:2002.07031},
year = {2020}
}