基于自监督图聚类的半监督节点分类重构

图神经网络（GNN）的出现为半监督节点分类任务提供了强大的工具。后续研究通过细化GNN模型中的消息传递方案或利用各种数据增强技术来缓解监督信息的稀缺，从而取得了进一步的改进。在实际图结构中，节点倾向于形成紧密的社区/聚类，这些聚类为弥补半监督节点分类中标签稀缺提供了丰富的信号，但先前方法未加以探索。致力于此，本文提出了NCGC（Nonparametric Graph Clustering），将自监督图聚类与半监督分类集成到统一框架中。首先，我们在理论上统一了GNN和谱图聚类的优化目标，基于此开发了软正交GNN（SOGN），利用改进的消息传递范式生成用于分类和聚类的节点表示。在此基础上，NCGC包括一个自监督图聚类模块，使SOGN能够以自监督方式训练以学习无标记节点的表示。该组件包含两个非平凡的聚类目标和Sinkhorn-Knopp归一化，将预测的聚类分配转换为平衡的软伪标签。通过将上述聚类模块与分类模型结合使用包含在标记数据上监督分类损失和在无标记数据上自监督聚类损失的多任务目标，NCGC促进了两者之间的协同作用，实现了增强的模型容量。我们的广泛实验表明，提出的NCGC框架在七个真实图上，与流行的GNN模型和最新基线相比，在各种经典GNN骨架下均一致且显著地优于。