基于稀疏标签节点的结构感知共识图网络
机器学习
2024-07-03 v1 计算机视觉与模式识别
摘要
图节点分类在标签稀少的情况下面临着显著挑战，因为监督信息有限。常规方法常以归纳学习方式利用图结构，无法有效利用图中丰富的无标签数据及其内在结构信息。为此，我们提出一种从三个角度引入的结构感知共识网络（Structure-Aware Consensus Network，SACN）。首先，SACN利用一种新颖的结构感知共识学习策略在两个强增强视图之间进行学习。该策略能够充分利用无标签节点的潜在有用信息以及整个图的结构信息。其次，SACN独特地将图的结构信息融合中，以实现强到强的共识学习，在保持多视图学习的同时提高了对无标签数据的利用率。最后，与基于两个分支的图神经网络方法不同，SACN设计用于单分支架构中的多视图特征学习。此外，一种基于类的伪标签选择策略有助于解决类别不平衡问题，实现有效的弱到强监督。在三个基准数据集上的广泛实验表明，SACN在节点分类任务中表现优异，尤其在极低标签率下，超越了当前最先进的方法，同时保持计算简单性。源代码已公开于 https://github.com/kunzhan/SACN。
引用
@article{arxiv.2407.02188,
title = {Structure-Aware Consensus Network on Graphs with Few Labeled Nodes},
author = {Shuaike Xu and Xiaolin Zhang and Peng Zhang and Kun Zhan},
journal= {arXiv preprint arXiv:2407.02188},
year = {2024}
}
备注
under review