解耦的GCN的工作机制还没有被很好地理解,尽管它是有效的。在这篇论文中,从一个新的和基本的角度探讨了半监督节点分类的解耦GCN。我们进行了深入的理论分析,证明解耦后的GCN本质上与两步标签传播相同:首先,将已知标签沿图传播,对未标记的节点生成伪标签;其次,在增强的伪标签数据上训练正规的神经网络分类器。我们揭示了解耦的GCN的有效性:超越传统的标签传播,它可以自动分配结构和模型感知权值给伪标签数据。这解释了为什么解耦后的GCN对结构噪声和过平滑具有较强的鲁棒性,但对标签噪声和模型初始化敏感。在此基础上,我们提出了一种新的标签传播方法——传播然后自适应训练(propagation then Training adap自适应,PTA),该方法采用动态自适应加权策略,克服了GCN解耦的缺陷。
PRELIMINARIES
Decoupled GCN
解耦GCN的公式如下: