基于标签引导的图优化卷积网络在半监督学习中的应用

《IEEE Transactions on Signal and Information Processing over Networks》：Label Guided Graph Optimized Convolutional Network for Semi-Supervised Learning

半监督图卷积网络通过引入配对约束传播增强鲁棒性，联合优化图卷积层与约束传播，实验验证其在多基准数据集上的有效性和抗攻击能力。

　　

摘要：

图卷积网络（GCNs）已被广泛用于半监督学习任务。众所周知，现有大多数GCNs中的图卷积操作由两部分组成：在邻域图上的特征传播（FP）和使用全连接网络的特征转换（FT）。对于半监督学习，现有的GCNs通常仅利用标签信息通过优化损失函数来训练FT部分的参数。然而，它们未能充分利用邻域特征传播中的标签信息。此外，由于FP使用了固定的图拓扑结构，现有的GCNs对结构噪声/攻击较为脆弱。为了解决这些问题，我们提出了一种新颖且鲁棒的标签引导图优化卷积网络（LabelGOCN）模型，该模型旨在通过成对约束传播来充分利用GCN特征传播中的标签信息。在LabelGOCN中，成对约束可以提供一种“弱”监督信息，以细化图拓扑结构，从而指导图卷积操作，实现鲁棒的半监督学习任务。具体而言，LabelGOCN通过统一的正则化模型共同细化成对约束和GCN，从而提升它们的性能。在多个基准数据集上的实验表明，所提出的LabelGOCN在半监督学习任务中的有效性和鲁棒性。

引言

在带属性的图数据上进行半监督节点分类是机器学习和数据挖掘领域中的一个基本问题。受到深度学习成就的启发，图卷积网络（GCNs）近年来因其基于图的半监督学习应用而受到了广泛关注[1]、[2]、[3]、[4]、[5]、[6]、[7]。通过探索节点特征与图结构之间的相关性，GCNs在节点分类任务上取得了显著的性能提升。GCNs的主要目标是建立有效的图卷积操作，以实现图节点表示和分类。通常，我们可以将GCNs分为两大类：谱GCNs和空间GCNs。谱GCNs使用拉普拉斯谱域中的各种图滤波器来定义图卷积操作。例如，Defferrard等人[8]使用切比雪夫多项式近似谱图卷积，提出了切比雪夫图卷积网络（Chebyshev Graph Convolution Network）。Kipf等人[2]提出了一种直接的方法，利用谱滤波器的一阶近似来实现半监督学习中的图卷积网络（GCNs）。Li等人[9]设计了一个可学习的残差图拉普拉斯矩阵，以改进图表示和学习效果。Xu等人[10]提出结合图小波变换和GCNs，提出了图小波神经网络（Graph Wavelet Neural Network，GWNN）。He等人[11]改进了原始的切比雪夫多项式近似，提出了新的GNN模型ChebNetII。Xu等人[12]提出了一种新的GNN类型，使用自适应图小波作为图滤波器，以解决现有基于谱的GNN的局限性。空间GCNs通过各种消息传播方案在空间域中设计图卷积操作。例如，Hamilton等人[13]提出了图嵌入（GraphSAGE）用于归纳图表示和学习。Atwood等人[14]提出了扩散卷积神经网络（DCNNs），用于学习基于扩散的图结构数据表示。Veli?kovi?等人[4]提出了图注意力网络（Graph Attention Networks，GAT），利用注意力机制来捕捉邻居的重要性。Jiang等人[15]提出了图扩散嵌入网络（Graph Diffusion-Embedding Network，GDEN），同时整合了特征扩散和图节点嵌入。Klicpera等人[16]提出了近似个性化神经预测传播（Approximate Personalized Propagation of Neural Predictions，APPNP），将GCN和PageRank学习结合在一起。Yang等人[17]提出了EM-GCN，结合了基于EM的联合拓扑优化和节点分类，以解决图卷积网络中的过度平滑问题。Gao等人[18]开发了一种新的图池化策略，通过利用节点亲和力来增强图数据的层次表示学习。Peng等人[19]提出了标签引导的图对比学习方法，用于半监督节点分类，旨在探索节点之间的语义特征相似性。Zhao等人[6]提出了基于双重特征交互的GCN，在卷积过程中考虑了相邻节点之间的成对交互。