Core Concepts
提案モデルは、ノードラベルの再構築と自己生成ラベルの活用により、半教師あり学習設定でグラフ表現学習の性能を大幅に向上させる。
Abstract
本研究では、半教師あり学習設定でグラフ表現学習の性能を向上させるため、変分グラフオートエンコーダ(VGAE)ベースのモデルを提案する。
提案モデルの主な特徴は以下の通り:
ノードラベルの再構築: 従来のVGAEがグラフ構造の再構築を行うのに対し、提案モデルはノードラベルの再構築を行う。これにより、ラベル情報を効果的に活用できる。
自己ラベル拡張: ラベル情報が不足する半教師あり学習設定では、提案モデルが自己生成したラベルを活用することで、ラベル情報を拡張する。ノードごとにマスキングを行うことで、未知のグラフ構造にも適応できる。
実験結果: 提案モデルは、ベースラインと比較して、特に半教師あり学習設定で顕著な性能向上を示す。これは、ラベル情報の活用と自己ラベル拡張の効果によるものと考えられる。
Stats
ノードラベルの再構築誤差は、交差エントロピー誤差を用いる。
ノード属性の再構築誤差は、平均二乗誤差を用いる。