超级会员免费看
这篇论文深入探讨了解耦的图卷积网络（GCN）与标签传播的关系，证明解耦GCN本质上是两步标签传播过程。通过标签传播生成伪标签，然后在增强数据上训练神经网络。提出的新方法PTA（Propagation Then Training Adaptively）采用动态自适应加权策略，增强了模型对噪声的鲁棒性，改善了解耦GCN的缺陷。实验表明PTA在处理结构和标签噪声时表现优越，且训练效率更高。
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：
订阅专栏 解锁全文
扫一扫
522
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
