自增强 GNN：利用模型输出改进图神经网络
机器学习
2021-04-20 v3 机器学习
摘要
图神经网络（GNNs）因其在基于图的任务上的优异性能近来备受关注。然而，现有关于 GNN 的研究侧重于设计更有效的模型，而未过多考虑输入数据的质量。在本文中，我们提出自增强 GNN（SEG），其利用现有 GNN 模型的输出改进输入数据质量，以在半监督节点分类上获得更好性能。由于图数据由拓扑与节点标签共同构成，我们从两个角度提升输入数据质量。对于拓扑，我们观察到当类间边（连接来自不同类的节点）比例较低时可获得更高分类准确率，并提出拓扑更新以移除类间边、添加类内边。对于节点标签，我们提出训练节点增广，利用现有 GNN 模型预测的标签扩充训练集。SEG 是一个可轻松与现有 GNN 模型结合的通用框架。实验结果验证 SEG 在不同数据集上持续提升了 GCN、GAT 和 SGC 等知名 GNN 模型的性能。
引用
@article{arxiv.2002.07518,
title = {Self-Enhanced GNN: Improving Graph Neural Networks Using Model Outputs},
author = {Han Yang and Xiao Yan and Xinyan Dai and Yongqiang Chen and James Cheng},
journal= {arXiv preprint arXiv:2002.07518},
year = {2021}
}