【ICML2024】超图增强的双半监督图分类

这篇论文研究了半监督图分类，在有限标记图和大量未标记图的情况下，旨在准确预测图的类别。尽管图神经网络（GNNs）具有很强的能力，但它们通常需要大量昂贵的标记图，而大量未标记图未能有效利用。此外，GNNs 在使用消息传递机制编码局部邻域信息方面固有地受到限制，因此缺乏对节点之间高阶依赖关系的建模能力。为了应对这些挑战，我们提出了一个名为 HEAL 的超图增强 DuAL 框架，用于半监督图分类，从超图和线图的角度分别捕获图的语义。具体而言，为了更好地探索节点之间的高阶关系，我们设计了一个超图结构学习方法，以自适应方式学习超过成对关系的复杂节点依赖关系。同时，基于学习到的超图，我们引入了一个线图来捕获超边之间的相互作用，从而更好地挖掘底层语义结构。最后，我们开发了一个关系一致性学习方法，以促进两个分支之间的知识转移，并提供更好的相互指导。对真实世界的图数据集进行的广泛实验验证了所提方法对现有最先进方法的有效性。

https://www.zhuanzhi.ai/paper/94c9eada51f44769c3175466cb6664bd