基于自适应邻域图传播网络的半监督学习
计算机视觉与模式识别
2019-11-22 v2
摘要
图卷积网络（GCNs）已被广泛研究用于紧凑数据表示与半监督学习任务。然而，现有 GCNs 通常使用固定的邻域图，其未必对半监督学习任务最优。本文中，我们首先将 GCNs 中的图卷积操作重新解释为特征传播与（非线性）变换的组合。基于该观察，我们随后提出统一的自适应邻域特征传播模型，并推导出新颖的自适应邻域图传播网络（ANGPN）用于数据表示与半监督学习。ANGPN 的目标是在统一公式中同时且协作地进行图构建与图卷积，从而学习一个最优邻域图，以最佳服务于数据表示与半监督学习的图卷积。ANGPN 的一个主要好处是，学习到的（卷积）表示可提供有用的弱监督信息用于构建更好的邻域图，而后者同时促进数据表示与学习。在四个基准数据集上的实验结果证明了所提 ANGPN 的有效性与益处。
引用
@article{arxiv.1908.05153,
title = {Semi-supervised Learning with Adaptive Neighborhood Graph Propagation Network},
author = {Bo Jiang and Leiling Wang and Jin Tang and Bin Luo},
journal= {arXiv preprint arXiv:1908.05153},
year = {2019}
}