Dynamic Labeling for Unlabeled Graph Neural Networks
PKU | Zeyu Sun, Wenjie Zhang, Lili Mou, Qihao Zhu, Yingfei Xiong, Lu Zhang
现有的图神经网络（GNN）很大程度上依赖于node embeddings，该embeddings通过其身份，类型或内容将节点表示为向量。但是，在现实世界的应用（例如匿名社交网络）中，存在大量未标记节点的图。之前的GNN要么为节点分配随机的标签，要么向所有节点分配同样的一个嵌入（无法将一个节点与另一个节点区分开）。在本文中，我们分析了现有方法在的局限性：图分类和节点分类。受我们的分析启发，我们提出了两种技术，即动态标记和优先动态标记，它们可以针对每种任务在统计上或渐近上满足所需的属性。实验结果表明，我们在各种图相关任务中均实现了高性能。
为了解决上述局限性，我们提出了一种用于图分类的动态标签方法，该方法在统计意义上实现了不变性。图2展示了我们的方法。基本思想是通过随机标记节点来分配嵌入，并使用不同节点标记的集合来消除artefacts。特别是，我们在训练期间动态分配节点标签。这用作数据扩充的一种方式，并且可以认为是各个时期的合奏。为了进行推断，我们分配了多个随机标签，并使用平均系综来预测图的类别
限 时 特 惠： 本站每日持续更新海量各大内部创业教程，一年会员只需98元，全站资源免费下载 点击查看详情
站 长 微 信： lzxmw777
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
