基于图对抗聚类的偏移鲁棒节点分类
机器学习
2022-03-31 v1
摘要
图神经网络（GNNs）是图结构数据中事实上的节点分类模型。然而，在测试时，这些算法假设无数据偏移，即 。领域自适应方法可用于处理数据偏移，但其中大多数仅旨在促使源数据与目标数据之间具有相似的特征分布。类上的条件偏移仍会影响此类自适应。幸运的是，图在不同数据分布间呈现出图同质性。为此，我们提出偏移鲁棒节点分类（SRNC）以解决这些局限。我们在目标图上引入无监督聚类 GNN，通过图同质性将相似节点分组。在聚类目标上施加源图上带标签信息的对抗损失。随后，一个偏移鲁棒分类器在训练图及由聚类 GNN 生成的目标图对抗样本上进行优化。我们在开集偏移与表示偏移上开展实验，证明了 SRNC 在泛化至含数据偏移的测试图时具有优越准确率。SRNC 始终优于先前渐进式利用目标图模型预测进行训练的图领域自适应 SOTA 算法。
引用
@article{arxiv.2203.15802,
title = {Shift-Robust Node Classification via Graph Adversarial Clustering},
author = {Qi Zhu and Chao Zhang and Chanyoung Park and Carl Yang and Jiawei Han},
journal= {arXiv preprint arXiv:2203.15802},
year = {2022}
}