基于信息分布建模的半监督节点重要性估计及不确定性正则化
机器学习
2025-05-13 v2
摘要
节点重要性估计是网络分析中的经典问题，支撑着各种 web 应用。以往方法要么利用固有的拓扑特征（如图中心性），要么利用额外信息（如数据异质性）进行节点特征增强。然而，这些方法遵循监督学习设置，忽视了实际中往往仅部分标记的真实节点重要性数据。本文提出首个半监督节点重要性估计框架，即EASING，以提高对无标记数据的学习质量。与以往方法不同，EASING 明确捕获不确定性以反映模型预测的置信水平。为联合估计重要性值和不确定性，EASING 引入 DJE（深度编码器-解码器神经网络架构）。DJE 为图节点引入分布建模，其中分布表示派生自重要性和不确定性估计。此外，DJE 促进了对无标记数据的有效伪标签生成，以丰富训练样本。基于标记和伪标记数据，EASING 开发了有效的半监督异方差学习，采用 varying node uncertainty 正则化。对三个真实数据集进行大量实验，突出了EASING 在与竞争方法相比的优异性能。代码可通过 https://github.com/yankai-chen/EASING 获取。
引用
@article{arxiv.2503.20697,
title = {Semi-supervised Node Importance Estimation with Informative Distribution Modeling for Uncertainty Regularization},
author = {Yankai Chen and Taotao Wang and Yixiang Fang and Yunyu Xiao},
journal= {arXiv preprint arXiv:2503.20697},
year = {2025}
}
备注
Accepted by WWW'25. A few typos corrected