图表神经网络与自适应的信心歧视

科学领域:

• 机器学习 机器学习
• 图形神经网络 图形神经网络
• 人工智能的人工智能

背景情况:

• 图形神经网络 (GNN) 擅长半监督节点分类,但未充分利用未标记的数据.
• 半监督学习 (SSL) 中现有的伪标签方法存在固定的值和低数据利用率,导致类不平衡.

研究的目的:

• 为增强半监督节点分类提出具有适应性信任歧视 (ACDGNN) 的GNN.
• 通过一种新的方法,充分利用半监督学习中的未标记样本.

主要方法:

• 开发了一个自适应的信任歧视模块,以动态值未标记的节点.
• 实施了不同的策略:高信心节点扩大了标签集,低信心节点使用对比学习对歧视性特征.

主要成果:

• 与最先进的方法相比,ACDGNN实现了显著的准确性改进.
• 在数据集中显示了2.0%的平均准确度增长,在Flickr数据集上有5.7%的显著改善.

结论:

• ACDGNN有效地利用未标记的数据进行半监督节点分类.
• 与传统方法相比,拟议的自适应策略提高了模型性能和数据利用率.