面向多关系图的鲁棒半监督分类

图正则半监督学习在以下情况可有效用于分类：(i) 实例通过图连接，(ii) 标记数据稀缺。若可利用，使用实例间的多种关系（或图）能提升预测性能。另一方面，当这些关系具有不同程度的真实性且对任务表现出不同的相关性时，非常嘈杂和/或无关的关系可能会降低性能。因此，需要建立有效的加权方案。本工作中，我们提出一种用于多关系图正则半监督分类的鲁棒且可扩展的方法。在凸优化方案下，我们同时推断多个图的权重以及解。我们对推断的权重进行了细致分析，并据此设计了一种算法，可滤除无关和含噪图，并产生与剩余图的信息量成比例的权重。此外，所提方法相对于多个图并集中的边数具有线性可扩展性。通过大量实验，我们表明相较于一系列基线方法和 SOTA 方法，我们的方法在不同噪声模型下，以及随着含噪图数量和噪声强度的增加，均产生更优结果。