CVPR 2019 论文解读 | 具有高标签利用率的图滤波半监督学习方法

具有高标签利用率的图滤波半监督学习方法

本文解读了一篇被CVPR2019大会接收的半监督学习方向的论文,点击此处跳转至arXiv查看原文。在之前AI研习社直播的CVPR论文分享会上，论文的作者之一吴晓明老师做了现场分享，大家可以将第一个回放视频跳转到1:59:23处听吴老师的现场讲解。本文基于论文原文和老师的PPT对文章内容进行了重新梳理和解读，详略适中，希望对大家有帮助。
《Label-Efficient Semi-Supervised Learning via Graph Filtering》一文研究了半监督学习问题，作者们提出了一种基于图滤波的半监督学习框架，并利用该框架对两种典型的图半监督分类方法LP和GCN进行了改进，新的方法不仅能同时利用图的连接信息和节点的特征信息，还能提高标签的利用效率，文中提出的改进方法在所有的实验数据集上都取得了最好的效果。作者用图滤波框架统一了看起来完全不同的LP和GCN，其“低通滤波”的观点精炼地解释了这两种方法在实际应用中奏效的原因，提高了研究者对于此类方法的认知水平。下文将按以下目录安排,大家可以点击链接快速跳转到自己关注的部分：

• 1. 预备知识
  • 1.1 目标问题
  • 1.2 图的频谱分析
  • 1.3 图卷积滤波
  • 1.4 图滤波与半监督分类
• 2. 动机
• 3. 方法
  • 3.1 图滤波与LP
    • 1) 原始LP算法
    • 2) 图滤波视角下的LP
    • 3) 广义标签传播GLP
  • 3.2 图滤波与GCN
    • 1) 原始GCN
    • 2) 图滤波视角下的GCN
    • 3) 图滤波增强版GCN
• 4. 实现与验证
  • 4.1 平滑力度与计算性能
  • 4.2 半监督分类任务对比
  • 4.3 Zero-Shot半监督回归任务对比
• 5. 总结

1.预备知识

1.1 目标问题

图半监督分类问题即给定图G、图信号矩阵X以及节点标签矩阵Y（稀疏矩阵，只有部分节点有标签）要求输出标签矩阵Y’（给出每个节点的类别），以下图为例：

 

图中的节点1、3、4为有标记的节点、节点2为未标记的节点。每个节点对应一个特征向量x_ix​i</