Variational Inference for Training Graph Neural Networks in Low-Data Regime through Joint Structure-

图神经网络(gnn)是解决图上半监督学习的主要方法之一。然而，大多数现有的GNN模型往往需要足够的观察数据来进行有效的学习和泛化。在现实世界中，完整的输入图结构和足够的节点标签可能很难实现，GNN模型将面临严重的性能下降。为了解决这个问题，我们提出了WSGNN1，弱监督图神经网络的简称。WSGNN是一种灵活的概率生成框架，利用变分推理方法以标签-结构联合估计的方式解决图半监督学习。它通过双分支网络协同学习与任务相关的新图结构和节点表示，并针对稀缺观测数据和海量缺失数据之间的相互依赖关系，从底层数据生成分布中派生出一个复合变分目标。特别是，在弱监督的低数据状态下，标记节点和观察到的边都非常有限，在常见基准上的节点分类和链接预测的广泛实验结果表明，WSGNN比强大的竞争对手具有最先进的性能。具体而言，当Cora上每个类别只有1个标签且只有1%的边时，WSGNN保持了52.00%的分类精度，比GCN提高了75.6%。