NC-NCD: Novel Class Discovery for Node Classification

小说类别发现（NCD）是指通过利用先前建立的类别所获得的知识，识别未标记数据中的新类别。然而，现有的NCD方法常常难以在旧类别和新类别之间保持平衡的性能。以类别增量的方式发现未标记的新类别更为实际，但也更具挑战性，因为它经常受到要么旧类别的灾难性遗忘，要么无法学习新类别的限制。此外，在连续可扩展的图结构数据上实现NCD仍然是一个未被充分探索的领域。为了应对这些挑战，我们首次引入了一种更实用的节点分类NCD场景（即NC-NCD），并提出了一种新颖的自我训练框架，其中包括原型重放和蒸馏，称为SWORD，并适应于我们的NC-NCD设置。我们的方法使模型能够在学习标记节点的同时聚类未标记的新类别节点，同时在不依赖旧类别节点的情况下保持对旧类别的性能。SWORD通过采用自我训练策略来学习新类别，并通过特征原型和知识蒸馏的联合使用来防止旧类别的遗忘。对四个常见基准测试的广泛实验表明，SWORD优于其他最先进的方法。

本论文旨在解决无标签数据中的新类别发现问题，提出了一种更实用的节点分类新类别发现（NC-NCD）场景，并提出了一种名为SWORD的自训练框架，旨在平衡新旧类别的表现。

SWORD框架采用自训练策略学习新类别，并通过使用特征原型和知识蒸馏来防止遗忘旧类别，从而在不依赖旧类别节点的情况下学习新类别，保持旧类别的性能。

论文在四个常见基准数据集上进行了广泛的实验，证明了SWORD方法优于其他最先进的方法。论文提出的NC-NCD场景是一个新问题，而SWORD框架的关键思路是自训练策略和特征原型与知识蒸馏的联合使用。

在这个领域中，最近的相关研究包括《Learning to Discover Novel Visual Categories via Deep Transfer Clustering》和《Incremental Learning for Convolutional Neural Networks: A Deep Adaptive Design》等。