半监督分类的图推理学习

Jan, 2020

Graph Inference Learning for Semi-supervised Classification

Chunyan Xu, Zhen Cui, Xiaobin Hong, Tong Zhang, Jian Yang...

TL;DR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。

Abstract

In this work, we address semi-supervised classification of graph data, where the categories of those unlabeled nodes are inferred from labeled nodes as well as graph structures. Recent works often solve this prob

semi-supervised classification graph data graph inference learning structure relation state-of-the-art methods

发现论文，激发创造

跨图元算归纳节点分类

本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。

May, 2021

超图增强的双半监督图分类

本文研究半监督图分类，在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架，该框架分别从超图和线图的角度捕捉图的语义，以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上，利用学习到的超图引入线图来捕捉超边之间的交互，从而更好地挖掘潜在的语义结构，并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。

May, 2024

基于图的半监督学习的灵活生成性框架

本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

May, 2019

图形半监督学习用于关系网络

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

半监督图分类：分层图视角

本研究提出了一个基于半监督学习的图学习方法，将节点分类问题扩展到了节点本身为图实例的层次图中，并设计了两种新的分类器，同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中，实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法，而且生成的学习表示具有有意义的解释。

Apr, 2019

半监督通用图分类

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

半监督分层图分类

本研究提出一种名为 SEAL-CI 的半监督节点分类算法，针对具有层次图结构的节点进行建模，使用分层图互信息作为一个约束条件，能够提高图分类的准确性和效率。

Jun, 2022

基于知识迁移的图少样本学习

本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

Oct, 2019

基于图滤波的高效半监督学习

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

图形几何交互学习

本文提出了一种名为几何交互学习（GIL）的新方法，以利用欧几里得和双曲几何空间的优势，更有效地学习图表的几何特性，并实现节点分类和链接预测任务的优异实验结果。

Oct, 2020