图正未标记学习中异质结构影响的解析

虽然正负未标记（Positive-Unlabeled, PU）学习在许多实际场景中至关重要，但其在图数据上的应用仍鲜有探索。我们揭示，图上正负未标记学习面临的关键挑战在于边缘异质性，这直接违反了类别先验估计（Class-Prior Estimation）的不可约性假设（类别先验是构建正负未标记学习算法的关键），并会在分类器训练期间导致对无标记节点上潜在标签的推断退化。针对这一挑战，我们引入了一种新方法，称为图正负未标记学习 with Label Propagation Loss（GPL）。具体而言，GPL考虑学习来自正负节点以及中间的异质性降低，这有助于缓解异质结构的负面影响。我们将这一程序形式化为双层优化，在内层循环中降低异质性，在外层循环中高效学习分类器。广泛的实验结果表明，GPL显著优于基线方法，证明了其有效性与优越性。