Aprendizado Semi-Supervisionado em Mundo Aberto para Classificação de Nós

O aprendizado semi-supervisionado em mundo aberto (Open-world SSL) para classificação de nós, que classifica nós não rotulados em classes conhecidas ou múltiplas classes novos, é um problema prático, mas pouco explorado na comunidade de grafos. Como apenas as classes conhecidas têm rótulos humanos, geralmente são aprendidas melhor do que as classes novas, e, assim, apresentam menores variâncias intra-classe dentro do espaço de incorporação (denominada desbalanceamento das variâncias intra-classe entre classes conhecidas e novas). Com base em análise empírica e teórica, descobrimos que o desbalanceamento de variância pode impactar negativamente o desempenho do modelo. Codificadores de características pré-treinados podem aliviar esse problema por meio da produção de representações compactas para classes novas. No entanto, criar codificadores pré-treinados gerais para vários tipos de dados de grafo tem se mostrado um desafio. Assim, há uma demanda por um método eficaz que não dependa de codificadores de grafo pré-treinados. Neste artigo, propomos um método consciente do desbalanceamento chamado OpenIMA para a classificação de nós semi-supervisionada em mundo aberto, que treina o modelo de classificação de nós do zero por meio de aprendizado contrastivo com rótulos pseudo com viés reduzido. Extensos experimentos em sete benchmarks populares de grafos demonstram a eficácia do OpenIMA, e o código-fonte está disponível no GitHub.