论文题目：Variational Inference for Training Graph Neural Networks in Low-Data Regime through Joint Structure-Label Estimation

作者信息：劳丹宁*，杨新宇*，吴齐天，严骏驰

论文链接：https://dl.acm.org/doi/10.1145/3534678.3539283

代码链接：https://github.com/Thinklab-SJTU/WSGNN

研究动机与背景

现有的图神经网络（GNN）方法普遍具有依赖于精密的输入数据（包括完整而正确的图结构，充分的节点特征和节点标签等）的特性，在输入数据有缺失，有噪声，不完美时，其模型预测表现就会大大下降。然而在实际应用中，囿于现实因素的影响，比如巨大的人力成本下数据标签搜集的难度，抑或是隐式潜在的链接难以搜集，用于建模的图数据往往是不够完整充分的，甚至有可能出现已知的节点标签和连边都很少的情况，而此时大部分图神经网络方法就变得不可用了。如下图所示，我们模拟了已知的连边数量从80%到1%，已知的节点标签数量从每类20个到每类只有1个的情况，测量了GCN[1]和GAT[2]在每种情况下在节点分类（NC）和链接预测（LP）两个任务上的表现，可视地展现了其网络性能逐渐变差，预测失效的情况。

图片

过去的半监督方法只能解决“大已知，小未知”条件下的推断。当初始信息渐趋于零，图节点中已知的标签数量变少，图结构中已知的边变少，如何实现对极少的监督信息的最大化利用，在“小已知，大未知”的弱监督条件下仍能延续模型的优秀表现，仍然是一个艰巨的挑战。为了解决这个问题，我们提出了一种基于变分推断的弱监督图神经网络模型WSGNN，结合了图表示学习和图结构学习的思想，有效地实现了极其有限信息的外推和泛化。与过往的半监督抑或弱监督方法[3-4]最不同的是，我们首次关注了连边和标签同时缺失的情况，也因此使得我们的模型具有更广泛的应用场景以及更强的鲁棒性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除