Redes de atención gráfica regularizadas adversarialmente para el aprendizaje inductivo en grafos parcialmente etiquetados

El alto costo de etiquetar datos a menudo resulta en escasez de etiquetas de nodos en aplicaciones reales. Para mejorar la precisión de la clasificación de nodos, el aprendizaje semisupervisado basado en grafos aprovecha los abundantes nodos no etiquetados para entrenar junto con los escasos nodos etiquetados disponibles. Sin embargo, la mayoría de los métodos existentes requieren la información de todos los nodos, incluidos aquellos que deben ser predichos, durante el entrenamiento del modelo, lo que no es práctico para grafos dinámicos con nodos recién agregados. Para abordar este problema, se propone un modelo de atención gráfica regularizado adversarialmente para clasificar nodos recién agregados en un grafo parcialmente etiquetado. Se diseña un agregador basado en atención para generar la representación de un nodo agregando información de sus nodos vecinos, generalizando así de manera natural a nodos previamente no vistos. Además, se emplea entrenamiento adversarial para mejorar la robustez y capacidad de generalización del modelo, haciendo que las representaciones de los nodos coincidan con una distribución previa. Los experimentos en conjuntos de datos del mundo real demuestran la efectividad del método propuesto en comparación con los métodos de última generación. El código está disponible en https://github.com/JiarenX/AGAIN.