基于变分图自编码器的归纳式学习方法用于半监督分类

图表示学习是各种应用领域中的一个基础研究问题，其中归纳式学习问题尤其具有挑战性，因为它要求模型在推理过程中能够泛化到未见过的图结构。近年来，图神经网络（GNNs）已成为用于归纳式学习任务（如节点分类）的强大图模型，但它们通常严重依赖于全监督训练设置下的带标注节点。与基于GNN的方法相比，变分图自编码器（VGAEs）被认为在捕获独立于节点标签的图内部结构信息方面具有更强的泛化能力，并在多个无监督学习任务上取得了突出性能。然而，由于在监督方式下训练模型以及避免过拟合图的邻近性信息存在困难，迄今为止仍缺乏专注于利用VGAE框架进行归纳式学习的工作。为解决这些问题并提高VGAE在归纳式图表示学习中的模型性能，本工作提出了自标签增强VGAE模型。为利用标签信息进行训练，我们的模型将节点标签作为独热编码输入，然后在模型训练中执行标签重建。为克服半监督环境下节点标签的稀缺问题，我们进一步提出了自标签增强方法（SLAM），该方法使用我们模型通过节点级掩码方法生成的伪标签来增强标签信息。在基准归纳式学习图数据集上的实验验证，我们提出的模型在节点分类上取得了有前景的结果，特别是在半监督学习环境下具有显著优势。