Open-World Semi-Supervised Learning for Node Classification

开放世界半监督学习（Open-world SSL）用于节点分类，可以将未标记的节点分类为已知类别或多个新类别，这是图形社区中实用但未被充分探索的问题。由于只有已知类别有人类标签，它们通常比新类别学习得更好，因此在嵌入空间内表现出较小的类内方差不平衡（即已知和新类别之间类内方差的不平衡）。通过经验和理论分析，我们发现方差不平衡可能会对模型性能产生负面影响。预训练特征编码器可以通过为新类别生成紧凑的表示来缓解这个问题。然而，为各种类型的图形数据创建通用的预训练编码器已被证明具有挑战性。因此，需要一种不依赖于预训练图形编码器的有效方法。在本文中，我们提出了一种名为OpenIMA的IMbalance-Aware方法，用于开放世界半监督节点分类，该方法通过缩减偏差的伪标签进行对比学习，从头开始训练节点分类模型。对七个流行的图形基准进行的大量实验证明了OpenIMA的有效性，并且源代码已在GitHub上提供。

解决问题：论文提出OpenIMA方法，旨在解决开放世界半监督节点分类中的内部方差不平衡问题，该问题会影响模型性能。

关键思路：OpenIMA方法通过对比学习和减少偏差的伪标签来训练节点分类模型，从而解决内部方差不平衡问题。

其他亮点：论文在七个流行的图形基准测试上进行了广泛的实验，证明了OpenIMA的有效性。此外，论文还提供了开源代码。

相关研究：最近的相关研究包括《GNNExplainer: Generating Explanations for Graph Neural Networks》和《Graph Neural Networks: A Review of Methods and Applications》等。