Self-SAGCN: Selbstüberwachtes semantisches Alignment für Graph Convolution Network

Graph Convolution Networks (GCNs) sind ein leistungsfähiger Ansatz des tiefen Lernens und wurden erfolgreich für das repräsentative Lernen auf Graphen in einer Vielzahl von praktischen Anwendungen eingesetzt. Trotz ihres Erfolgs begrenzen zwei grundlegende Schwächen von GCNs ihre Fähigkeit, graphstrukturdaten darzustellen: schlechte Leistung, wenn beschriftete Daten stark begrenzt sind, und nicht unterscheidbare Merkmale, wenn mehrere Schichten gestapelt werden. In diesem Papier schlagen wir ein einfaches, aber effektives Selbstüberwachtes Semantisches Alignment Graph Convolution Network (SelfSAGCN) vor, das aus zwei entscheidenden Techniken besteht: Identitätsaggregation und Semantisches Alignment, um diese Schwächen zu überwinden. Die grundlegende Idee dahinter ist, dass die Knotenmerkmale derselben Klasse, die jeweils aus semantischen und graphstrukturellen Aspekten gelernt wurden, erwartet werden, nah beieinander abgebildet zu werden. Insbesondere wird die Identitätsaggregation angewendet, um semantische Merkmale aus beschrifteten Knoten zu extrahieren, und das semantische Alignment wird genutzt, um Knotenmerkmale, die aus verschiedenen Aspekten gewonnen wurden, unter Verwendung der klassenzentralen Ähnlichkeit auszurichten. Auf diese Weise wird das Überglättungsphänomen gemildert, während die Ähnlichkeiten zwischen den unbeschrifteten Merkmalen und den beschrifteten aus derselben Klasse verstärkt werden. Experimentelle Ergebnisse von fünf beliebten Datensätzen zeigen, dass das vorgeschlagene SelfSAGCN state-of-the-art Methoden in verschiedenen Klassifikationsaufgaben übertrifft.