TGNN：一种用于图级分类的联合半监督框架
机器学习
2023-04-25 v1 人工智能
信息检索
摘要
本文研究半监督图分类，这是一项在社交网络分析和生物信息学中具有广泛应用的关键任务。近期工作通常采用图神经网络学习图级表示进行分类，未能显式利用由图拓扑（例如路径）导出的特征。此外，当标记数据稀缺时，由于对未标记数据的拓扑探索不足，这些方法远不能令人满意。我们通过提出一种称为孪生图神经网络（TGNN）的新颖半监督框架来应对该挑战。为从互补视角探索图结构信息，我们的 TGNN 包含一个消息传递模块和一个图核模块。为充分利用未标记数据，对于每个模块，我们计算记忆库中每个未标记图到其他标记图的相似度，并且我们的一致性损失鼓励不同嵌入空间中两个相似度分布之间的一致性。两个孪生模块通过交换实例相似度知识相互协作，以充分探索标记和未标记数据的结构信息。我们在多个公开数据集上评估了我们的 TGNN，并展示其取得了强劲性能。
引用
@article{arxiv.2304.11688,
title = {TGNN: A Joint Semi-supervised Framework for Graph-level Classification},
author = {Wei Ju and Xiao Luo and Meng Qu and Yifan Wang and Chong Chen and Minghua Deng and Xian-Sheng Hua and Ming Zhang},
journal= {arXiv preprint arXiv:2304.11688},
year = {2023}
}
备注
Accepted by Proceedings of the Thirty-First International Joint Conference on Artificial Intelligence (IJCAI 2022)