GANN: Graph Alignment Neural Network for Semi-Supervised Learning

要約

グラフ ニューラル ネットワーク (GNN) は、半教師ありグラフ機械学習の分野で広く研究されてきました。
ラベル付けされたデータが限られている場合、ほとんどの方法は適切なグラフ情報を活用できず、過度の平滑化の問題につながります。
この問題を克服するために、シンプルで効果的なグラフ ニューラル アーキテクチャである Graph Alignment Neural Network (GANN) を提案します。
不十分なラベルの隠された情報を徹底的に探索するために、3 つのアラインメント ルールを使用した独自の学習アルゴリズムが提案されています。
まず、属性の詳細をよりよく調査するために、属性と埋め込み行列の両方の内積を整列させる機能整列ルールを提案します。
第二に、高次隣接情報を適切に利用するために、クラスター中心行列の内積を単位行列と整列させることを含む、クラスター中心整列規則を提案します。
最後に、少数のラベルで信頼性の高い予測結果を得るために、予測確率行列とそのシャープな結果を並べることにより、最小エントロピー アラインメント ルールを確立します。
グラフ ベンチマーク データセットに関する広範な研究は、GANN が半教師付きノード分類でかなりの利点を達成し、最先端の競合他社よりも優れていることを示しています。

要約(オリジナル)

Graph neural networks (GNNs) have been widely investigated in the field of semi-supervised graph machine learning. Most methods fail to exploit adequate graph information when labeled data is limited, leading to the problem of oversmoothing. To overcome this issue, we propose the Graph Alignment Neural Network (GANN), a simple and effective graph neural architecture. A unique learning algorithm with three alignment rules is proposed to thoroughly explore hidden information for insufficient labels. Firstly, to better investigate attribute specifics, we suggest the feature alignment rule to align the inner product of both the attribute and embedding matrices. Secondly, to properly utilize the higher-order neighbor information, we propose the cluster center alignment rule, which involves aligning the inner product of the cluster center matrix with the unit matrix. Finally, to get reliable prediction results with few labels, we establish the minimum entropy alignment rule by lining up the prediction probability matrix with its sharpened result. Extensive studies on graph benchmark datasets demonstrate that GANN can achieve considerable benefits in semi-supervised node classification and outperform state-of-the-art competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google