基于图卷积网络与提取侧信息的半监督节点分类
机器学习
2020-11-17 v2 社会与信息网络
机器学习
摘要
图中聚簇内节点彼此连接的可能性大于其与图中其他节点的连接。在揭示部分节点的某些信息后，图的结构（图边）提供了获知其他节点更多信息的机会。基于此视角，本文借助图卷积网络（GCNs）重新审视半监督场景下的节点分类任务。目标在于利用在已揭示节点标签周围流动的信息。本文的贡献有两点。首先，本文提供一种从图实现中提取侧信息的方法。随后提出一种新的 GCN 架构，将传统 GCN 的输出与提取的侧信息相结合。本文的另一贡献与许多应用中存在于图实现旁的非图观测（独立侧信息）相关。实际上，提取的侧信息可由独立于图结构的侧信息序列所替代。对于两种情况，在合成与真实世界数据集上的实验均表明，所提模型相较现有节点分类任务的最优方法取得了更高的预测精度。
引用
@article{arxiv.2009.13734,
title = {Semi-Supervised Node Classification by Graph Convolutional Networks and Extracted Side Information},
author = {Mohammad Esmaeili and Aria Nosratinia},
journal= {arXiv preprint arXiv:2009.13734},
year = {2020}
}