基于图的半监督学习的灵活生成性框架
本文针对关系网络中的半监督学习问题提出了两种可扩展的方法,可以更好地处理链接多样性和分类异质性等图结构异质性,相比于现有算法,我们的方法在不需要先验知识的情况下提供更好的分类性能。
Dec, 2016
提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理,与目前最先进的图神经网络相比,该模型表现出极强的竞争力,在标记稀少的主动学习实验中超越了神经网络,并且模型不需要验证数据集来控制过拟合。
Sep, 2018
通过对高斯随机场学习和泊松学习算法进行改进,我们在图形半监督学习领域提高了对少标签大数据集的分类准确性,并创建了更强大的算法,实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。
Jun, 2024
提出了一种基于图滤波器的半监督学习框架,能够将数据特征作为图信号注入图相似性中,并使用低通滤波器从图信号中抽取有用的数据表示,从而实现标签高效的半监督学习,同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
Jan, 2019
研究使用生成式对抗网络来帮助半监督图学习,提出 GraphSGAN 方法,在该方法中,生成器和分类器网络进行竞争性博弈,生成器通过在子图之间的低密度区域生成假样本来平衡,分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明,GraphSGAN 显著优于几种现有方法。
Sep, 2018
介绍了一种基于图嵌入的半监督学习框架,重点研究了在图中联合预测类别标签和邻域上下文信息的方法,并在包括文本分类等多个基准任务上,相比已有的模型表现出了更好的性能。
Mar, 2016
本文提出一种新型的图神经网络框架 UGNN,用于半监督图分类,在有限标注数据和大量未标注数据的情况下,利用子图的视角来充分利用未标注数据,并且通过使用 Sinkhorn-Knopp 算法来学习已知和未知类别的语义原型,并在不同的子图视图下进行大量实验,证明了 UGNN 在不同设定下的有效性。
May, 2023
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架,通过学习节点标签的推理,提高分类性能,定义节点属性、节点路径和局部拓扑结构之间的结构关系,从而方便地从一个节点推导出另一个节点的推理,通过在训练节点到验证节点上进行结构关系的元优化,使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估,结果表明,与半监督节点分类任务中最先进的方法相比,我们提出的 GIL 方法具有卓越的性能。
Jan, 2020
利用迭代方法的变分技术,基于生成模型,研发半监督学习的新算法,解决现代数据分析中处理大规模非标记数据集挑战。深度生成模型与贝叶斯推理结合,灵活、高效、可拓展,为半监督学习提供了有力支持。
Jun, 2014
本文介绍了一种基于图神经网络的强大新方法,用于学习生成模型的过程中捕获图的结构和属性。实验证明,相较于不使用图结构表示的基线,我们的模型常常表现更好,是学习任意图的生成模型的第一个最通用的方法,为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。
Mar, 2018