关于图卷积网络在半监督学习中更深层次的认识

许多有趣的机器学习问题正借助新的深度学习工具重新被审视。对于基于图的半监督学习，最近一个重要的发展是图卷积网络（GCNs），它在卷积层中很好地整合了局部顶点特征和图拓扑。尽管GCN模型与其他最先进的方法相比表现良好，但其机制仍不清晰，并且仍需要大量标记数据用于验证和模型选择。本文我们深入探讨了GCN模型并解决其基本局限性。首先，我们表明GCN模型的图卷积实际上是一种拉普拉斯平滑的特殊形式，这是GCN有效工作的关键原因，但它也带来了许多卷积层可能导致的过平滑问题。其次，为了克服采用浅层架构的GCN模型的局限性，我们提出了联合训练和自我训练的方法来训练GCN。我们的方法显著改善了在标签极少的情况下学习GCN的效果，并免除了它们对验证额外标签的需求。在基准测试上进行的大量实验证明了我们的理论和提案的有效性。