摘要: 基于图的半监督节点分类是机器学习领域中的一项基本任务，其目的是在具有丰富的结构信息和极少量标记信息的情况下，对图中剩余的每个未标记节点进行分类。与全监督的节点分类方法相比，半监督节点分类更加适用于标签缺乏的场景，如在兴趣推荐、高光... 展开 基于图的半监督节点分类是机器学习领域中的一项基本任务，其目的是在具有丰富的结构信息和极少量标记信息的情况下，对图中剩余的每个未标记节点进行分类。与全监督的节点分类方法相比，半监督节点分类更加适用于标签缺乏的场景，如在兴趣推荐、高光谱图像分类、表型分类和词性标注等领域有着广泛的应用前景。不过，由于图数据的复杂性以及传统机器学习特征提取能力的不足，早期的半监督节点分类研究面临着巨大的挑战。 近年来，图卷积神经网络因其强大的特征提取能力已成为半监督节点分类方法中的一个研究热点。不过，半监督节点分类任务中的大部分数据缺乏监督信息，大多方法的特征学习过程过度依赖于单一固定的目标任务，可能会导致模型偏向于特定的图结构或任务，故难以学习到具有泛化能力的网络结构。尽管多任务学习可以从多方面提供信息，从而增强模型信息提取的能力。但是，现有方法还存在以下两个问题:其一，忽视了真实图中的异质性。其二，在试图挖掘图中丰富的潜在信息时，缺乏有效去除噪声的策略。为解决上述问题，本文开展了如下两个方面的研究工作: (1)为了充分挖掘结构和标签信息以解决异质性问题，本文提出了一种基于多任务自蒸馏图卷积神经网络的半监督节点分类方法(Semi-supervised Node Classification with Multi-task Self-distillation Graph Convolutional Network, SDSS-GCN)，分别从结构和标签两个方面解决异质性问题。首先，提出一种基于多种辅助任务的多任务自监督学习，以捕获图中不同层次的节点相似性，通过联合优化辅助任务和目标任务，鼓励特征提取过程捕获更复杂的相似性，旨在从结构方面改进局部特征聚合。其次，提出一种自蒸馏方法，利用模型本身的软标签作为附加监督，将分类任务和辅助任务中的知识集中提炼，旨在从标签方面提高模型的泛化能力。在四个广泛应用的节点分类数据集上的实验结果表明:本文提出的方法在几种经典的图卷积结构下都能取得显著的性能提升。 (2)为了深入挖掘有益于半监督节点分类的多级信息，同时有效地减少数据中的噪声，本文提出了一种基于多任务对比图卷积神经网络的半监督节点分类方法(Semi-supervised Node Classification with Multi-task Contrastive Graph Convo-lutional Network，MTC-GCN)。首先，利用对比式的自监督学习端到端地挖掘无标签数据中丰富的潜在信息，并通过包含有节点级和图级的辅助任务自动学习不同级别的信息，从而可以充分探索有助于半监督节点分类的泛化性特征。其次，设计了基于图的自分离正则项来辨别和去除数据中的噪声，并降低模型的复杂度。在常用的图数据集上的实验结果表明，相较于过去主要考虑层次结构的节点分类方法，本文提出的MTC-GCN具有更好的泛化能力，能够获得更好的分类性能，与现有的一些典型方法相比也具有很强的竞争力。 本文探索了两种基于图卷积神经网络的半监督节点分类方法，既丰富了节点分类方法的研究，又有助于推动基于图的半监督学习领域的进一步发展。 收起