虚拟对抗训练在图卷积网络节点分类中的应用
机器学习
2020-02-21 v2 机器学习
摘要
图卷积网络（GCNs）的有效性已在广泛的基于图的机器学习任务中得到证明。然而，GCN 中的参数更新仅来自有标签节点，缺乏对无标签数据的利用。在本文中，我们将虚拟对抗训练（VAT）——一种基于有标签和无标签数据的对抗正则化方法——应用于 GCN 的监督损失上，以增强其泛化性能。通过在半监督学习中对后验分布施加虚拟对抗平滑性，VAT 改进了 GCN 的对称拉普拉斯平滑性。此外，由于特征属性的差异，我们在稀疏和稠密特征上分别施加虚拟对抗扰动，从而得到 GCN 稀疏 VAT（GCNSVAT）和 GCN 稠密 VAT（GCNDVAT）算法。大量实验验证了我们的两种方法在不同训练规模下的有效性。我们的工作为未来更好地理解 GCN 的改进方向铺平了道路。
引用
@article{arxiv.1902.11045,
title = {Virtual Adversarial Training on Graph Convolutional Networks in Node Classification},
author = {Ke Sun and Zhouchen Lin and Hantao Guo and Zhanxing Zhu},
journal= {arXiv preprint arXiv:1902.11045},
year = {2020}
}
备注
Chinese Conference on Pattern Recognition and Computer Vision(PRCV) 2019 Oral paper