Unsupervised Neighborhood Propagation Kernel Layers for Semi-supervised Node Classification

要約

グラフにおける半教師ありノード分類のためのディープ グラフ畳み込みカーネル マシン (GCKM) を紹介します。
この方法は、2 つの主なタイプのブロックで構築されます。 (i) 暗黙的なノード機能マッピングを使用して、ワンホップ近傍でノード機能を伝播する教師なしカーネル マシン層を導入します。
(ii) フェンケル・ヤング不等式のレンズを通じて、半教師あり分類カーネル マシンを指定します。
アーキテクチャ全体の二重変数で効果的な初期化スキームと効率的なエンドツーエンドのトレーニング アルゴリズムを導き出します。
GCKM の基礎となる主な考え方は、教師なしコアにより、トレーニングに使用できるラベルがほとんどない場合でも、最終モデルは半教師ありノード分類でより高いパフォーマンスを達成できるということです。
実験結果は、提案されたフレームワークの有効性を示しています。

要約(オリジナル)

We present a deep Graph Convolutional Kernel Machine (GCKM) for semi-supervised node classification in graphs. The method is built of two main types of blocks: (i) We introduce unsupervised kernel machine layers propagating the node features in a one-hop neighborhood, using implicit node feature mappings. (ii) We specify a semi-supervised classification kernel machine through the lens of the Fenchel-Young inequality. We derive an effective initialization scheme and efficient end-to-end training algorithm in the dual variables for the full architecture. The main idea underlying GCKM is that, because of the unsupervised core, the final model can achieve higher performance in semi-supervised node classification when few labels are available for training. Experimental results demonstrate the effectiveness of the proposed framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google