利用显式扩散动力学在图上进行半监督分类
机器学习
2019-09-27 v1 信息检索
社会与信息网络
数据分析、统计与概率
物理与社会
摘要
基于特征向量的分类任务若能在深度学习中纳入概括样本间成对关系的图，则可显著改进。直观上，图充当引导和偏置类标签推断的渠道。本文研究将图视为显式图扩散起源的分类方法。我们证明，将图扩散作为基于特征的学习的\textit{后验}细化，可达到最先进的分类精度。该方法称为图扩散重分类(Graph Diffusion Reclassification, GDR)，利用扩散图动力学的过冲事件对单个节点重新分类。该方法使用每个节点各异的节点影响内在度量，并允许评估特征与图对于分类的关系及重要性。我们还提出diff-GCN，一种利用显式扩散动力学并允许自然使用有向图的图卷积神经网络(GCN)架构的简单扩展。为展示我们的方法，我们使用带有相应引用数据的文档基准数据集。
引用
@article{arxiv.1909.11117,
title = {Semi-supervised classification on graphs using explicit diffusion dynamics},
author = {Robert L. Peach and Alexis Arnaudon and Mauricio Barahona},
journal= {arXiv preprint arXiv:1909.11117},
year = {2019}
}