面向多标签图节点分类的半监督图嵌入方法
机器学习
2019-07-15 v1 机器学习
摘要
图卷积网络（GCN）是实现基于图的半监督学习的常用工具，通常整合节点特征与图拓扑信息以构建学习模型。然而，对于多标签学习任务，GCN的监督部分仅最小化最后一层输出与真实标签分布之间的交叉熵损失，往往会丢失标签相关性等有用信息，从而阻碍高性能的取得。本文提出一种新颖的基于GCN的半监督多标签分类学习方法，即ML-GCN。ML-GCN首先使用GCN嵌入节点特征和图拓扑信息。然后，随机生成一个标签矩阵，其中每一行（即标签向量）代表一种标签。标签向量的维度与GCN最后一次卷积操作前节点向量的维度相同。也就是说，所有标签和节点都被嵌入到统一的向量空间中。最后，在ML-GCN模型训练期间，标签向量与节点向量被拼接作为松弛跳字（relaxed skip-gram）模型的输入，以探测节点-标签相关性以及标签-标签相关性。在多个图分类数据集上的实验结果表明，所提出的ML-GCN优于四种最先进的方法。
引用
@article{arxiv.1907.05743,
title = {Semi-Supervised Graph Embedding for Multi-Label Graph Node Classification},
author = {Kaisheng Gao and Jing Zhang and Cangqi Zhou},
journal= {arXiv preprint arXiv:1907.05743},
year = {2019}
}
备注
12 pages