RRLFSOR：一种高效的图卷积网络自监督学习策略
机器学习
2021-12-24 v2
摘要
图卷积网络（GCNs）被广泛应用于诸多领域，但仍需大量标注数据用于训练。此外，GCNs 的邻接矩阵是固定的，这使得数据处理策略无法从已构建的图结构中有效调整训练数据的数量。为进一步提升 GCNs 的性能与自学习能力，本文提出一种高效的 GCNs 自监督学习策略，称为区域固定步长随机移除链接（RRLFSOR）。RRLFSOR 可视为一种新型数据增强器，以缓解过平滑问题。RRLFSOR 在两种高效且具代表性的 GCN 模型上，结合 Cora、PubMed 和 Citeseer 三个公开引文网络数据集进行了验证。在直推式链接预测任务上的实验表明，我们的策略在三个基准数据集上以准确率计一致优于基线模型，最高提升达 21.34%。
引用
@article{arxiv.2108.07481,
title = {RRLFSOR: An Efficient Self-Supervised Learning Strategy of Graph Convolutional Networks},
author = {Feng Sun and Ajith Kumar and Guanci Yang and Qikui Zhu and Yiyun Zhang and Ansi Zhang and Dhruv Makwana},
journal= {arXiv preprint arXiv:2108.07481},
year = {2021}
}
备注
27 pages