基于图卷积网络的结构融合用于半监督分类
机器学习
2020-06-01 v1 计算机视觉与模式识别
机器学习
摘要
由于多视图数据的多样性和复杂性给半监督分类带来困难，现有大多数图卷积网络侧重于网络架构构建或显著图结构保持，而忽略了完整图结构对半监督分类的贡献。为从多视图数据中兼顾特殊性与共性以挖掘更完整的分布结构，我们提出基于图卷积网络的结构融合（SF-GCN）以提升半监督分类性能。SF-GCN 不仅可通过谱嵌入保留各视图数据的特殊特征，还可通过多图结构间的距离度量捕获多视图数据的共性。假设多图结构间存在线性关系，我们可通过平衡特殊性损失与共性损失构建结构融合模型的优化函数。通过求解该函数，我们可同时获得来自多视图数据的融合谱嵌入以及作为图卷积网络邻接矩阵的融合结构，用于半监督分类。实验表明，在引文网络中的三个具有挑战性的数据集 Cora、Citeseer 和 Pubmed 上，SF-GCN 的性能优于当前最优方法。
引用
@article{arxiv.1907.02586,
title = {Structure fusion based on graph convolutional networks for semi-supervised classification},
author = {Guangfeng Lin and Jing Wang and Kaiyang Liao and Fan Zhao and Wanjun Chen},
journal= {arXiv preprint arXiv:1907.02586},
year = {2020}
}