选择并校准低置信度样本：基于双通道一致性的图卷积网络
机器学习
2023-11-30 v1 计算机视觉与模式识别
摘要
图卷积网络（GCNs）在节点分类任务中已取得优异结果，但模型在低标签率下的性能仍不尽如人意。先前图上的半监督学习（SSL）研究侧重于利用网络预测生成软伪标签或指导消息传播，这因对预测过度自信而不可避免地包含错误预测。我们提出的基于双通道一致性的图卷积网络（DCC-GCN）使用双通道从节点特征与拓扑结构中提取嵌入，并基于双通道一致性实现可靠的低置信度与高置信度样本选择。我们进一步确认，基于双通道一致性获得的低置信度样本准确率较低，制约了模型性能。与先前忽略低置信度样本的研究不同，我们利用邻域的高置信度样本校准低置信度样本的特征嵌入。我们的实验表明，DCC-GCN 能更准确区分低置信度与高置信度样本，并显著提升低置信度样本准确率。我们在基准数据集上进行了广泛实验，证明 DCC-GCN 在不同标签率下均显著优于最先进的基线。
引用
@article{arxiv.2205.03753,
title = {Select and Calibrate the Low-confidence: Dual-Channel Consistency based Graph Convolutional Networks},
author = {Shuhao Shi and Jian Chen and Kai Qiao and Shuai Yang and Linyuan Wang and Bin Yan},
journal= {arXiv preprint arXiv:2205.03753},
year = {2023}
}
备注
25 pages, 7 figures. Submitted to neucom