Open-World Semi-Supervised Learning für die Knotenklassifikation

Open-World Semi-Supervised Learning (Open-World SSL) für die Knotenklassifikation, das unbeschriftete Knoten in bekannte Klassen oder mehrere neuartige Klassen klassifiziert, ist ein praktisches, aber untererforschtes Problem in der Graph-Community. Da nur bekannte Klassen menschliche Labels haben, werden sie normalerweise besser gelernt als neuartige Klassen und weisen daher kleinere intra-klassische Varianzen im Einbettungsraum auf (genannt Ungleichgewicht der intra-klassischen Varianzen zwischen bekannten und neuartigen Klassen). Basierend auf empirischen und theoretischen Analysen finden wir, dass das Varianz-Ungleichgewicht die Modellleistung negativ beeinflussen kann. Vortrainierte Merkmals-Encoder können dieses Problem mildern, indem sie kompakte Darstellungen für neuartige Klassen erzeugen. Die Erstellung allgemeiner vortrainierter Encoder für verschiedene Arten von Graphdaten hat sich jedoch als herausfordernd erwiesen. Daher besteht Bedarf an einer effektiven Methode, die nicht auf vortrainierte Graph-Encoder angewiesen ist. In diesem Papier schlagen wir eine IMbalance-Aware-Methode namens OpenIMA für die Open-World semi-supervised Knotenklassifikation vor, die das Knotenklassifikationsmodell von Grund auf neu über kontrastives Lernen mit bias-reduzierten pseudo-Labels trainiert. Umfangreiche Experimente an sieben beliebten Graph-Benchmarks zeigen die Wirksamkeit von OpenIMA, und der Quellcode ist auf GitHub verfügbar.