半监督节点分类

前言

Label Propagation (Relational Classification)

这是一种集体分类方法。

Iterative Classification

这是一种集体分类方法。

既要用到节点的连接信息，也要用到节点本身的属性信息(特征)，分别训练两个分类器解决。

我是什么类别仅取决于与我直接相连的节点是什么类别，而间接的邻居与我无关。(马尔可夫假设)

初始化所有节点类别(训练∂1) –> 捕捉相关关系和连接关系(训练∂2) –> 迭代去预测(传播)

Correct & Smooth

OGB数据集：https://ogb.stanford.edu

这是一种后处理的方法，修正结果变得更好。

这里使用的soft_labels就是每个类别都有一个概率，概率之和是1。

L = D - A

ā的值是超参数，越大表示更愿意相信传播过来的ERROR，越小表示更愿意相信上一时刻的ERROR。

结果求和不为一，但置信度仍较高。

Loopy Belief Propagation

这是一种消息传递方法。

动态规划算法，下一时刻的状态仅取决于上一时刻。

Masked Label Prediction

这是一种自监督方法。

已有的信息随机的抹除，然后用剩下的已有信息去预测，自监督地学习。

总结

都是用来解决半监督节点分类问题的。

直推式（也称为演绎推理）是从特定的前提或事实中推导出具体的结论，而归纳式（也称为归纳推理）则是从一般的观察或模式中推断出普遍的结论。可以这么说，直推是由特殊到一般，而归纳是由一般到特殊。

归纳式在有新的节点出现时可以很好的使用原模型，不用重新训练，而直推式需要重新训练。