Die Studie untersucht das Problem der semi-überwachten Domänenanpassung auf Graphen, bei dem ein vollständig beschrifteter Quellgraph und ein teilweise beschrifteter Zielgraph vorliegen. Das vorgeschlagene SemiGCL-Modell besteht aus zwei Hauptkomponenten:
Knotenrepräsentationslernen: Zwei GNN-Encoder extrahieren Knotenrepräsentationen aus zwei strukturellen Ansichten des Graphen (Originalansicht und diffusionsbasierte Ansicht). Durch kontrastives Lernen werden die Repräsentationen aus den lokalen und globalen Ansichten in Einklang gebracht, um informative Knotenrepräsentationen zu erzeugen.
Semi-überwachte Domänenanpassung: Um die Domänendivergenz zwischen Quell- und Zielgraph zu reduzieren, wird ein kosinus-ähnlichkeitsbasierter Klassifikator verwendet. Das Minimax-Entropie-Training optimiert den Klassifikator, um die Entropie der unbeschrifteten Zielknoten zu maximieren, während die GNN-Encoder darauf trainiert werden, diese Entropie zu minimieren. Dadurch werden die Knotenrepräsentationen des Zielgraphs diskriminativ.
Die Experimente auf realen Informationsnetzwerken zeigen, dass SemiGCL die state-of-the-art-Baselines in Bezug auf die Knotenklassifikationsgenauigkeit auf dem Zielgraph übertrifft.
toiselle kielelle
lähdeaineistosta
arxiv.org
Tärkeimmät oivallukset
by Jiaren Xiao,... klo arxiv.org 04-05-2024
https://arxiv.org/pdf/2309.07402.pdfSyvällisempiä Kysymyksiä