面向缺失节点特征的半监督分类的自监督引导超图特征传播
机器学习
2023-02-17 v1
摘要
具有缺失节点特征的图神经网络(GNNs)近来受到日益关注。此类缺失节点特征严重损害现有 GNNs 的性能。近期已有一些方法通过已知与未知属性节点间的信息传播来重建缺失节点特征。尽管这些方法取得了优越性能，如何精确利用节点间复杂数据关联以重建缺失节点特征仍是一大挑战。为解决上述问题，我们提出一种自监督引导超图特征传播(SGHFP)。具体而言，首先依据含缺失信息的节点特征生成特征超图。随后，将前次迭代产生的重建节点特征输入两层 GNNs 以构造伪标签超图。每次迭代前，将所构特征超图与伪标签超图有效融合，可更好保留节点间高阶数据关联。继而，我们将融合超图应用于特征传播以重建缺失特征。最后，经多轮迭代优化所得的重建节点特征被用于下游半监督分类任务。大量实验表明，所提 SGHFP 优于现有含缺失节点特征的半监督分类方法。
引用
@article{arxiv.2302.08250,
title = {Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features},
author = {Chengxiang Lei and Sichao Fu and Yuetian Wang and Wenhao Qiu and Yachen Hu and Qinmu Peng and Xinge You},
journal= {arXiv preprint arXiv:2302.08250},
year = {2023}
}
备注
Accepted by 48th IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2023)