كل عقدة تهم: شبكات التجميع الذاتي للانvolution الرسمية لتعلم نصف المشرف عليه 注意：这里的“Self-Ensembling Graph Convolutional Networks”翻译为“شبكات التجميع الذاتي للانvolution الرسمية”，但更准确的翻译应该是“شبكات التجميع الذاتي للانvolution الرسمية”中的“الرسمية”改为“الرسومية”。因此，正确的翻译应为： كل عقدة تهم: شبكات التجميع الذاتي الرسومية لتعلم نصف المشرف عليه

شبكة التجميع الرسومية (GCN) تقدم وسيلة قوية لمهام التعلم شبه المشرف المستندة إلى الرسم البياني. ومع ذلك، كتقريب محلي من الدرجة الأولى للتحويل الطيفي للرسم البياني، لا يمكن للشبكة الكلاسيكية GCN الاستفادة الكاملة من البيانات غير المصنفة، خاصة عندما يكون العقد غير المصنف بعيدًا عن العقد المصنفة. للاستفادة من المعلومات الموجودة في العقد غير المصنفة لتعزيز تدريب GCN، نقترح إطارًا جديدًا يُسمى شبكة التجميع الرسومية ذاتية التجميع (SEGCN)، والذي يجمع بين GCN ونموذج Mean Teacher - وهو نموذج آخر قوي في مجال التعلم شبه المشرف. يتضمن SEGCN نموذجين: نموذج الطالب ونموذج المعلم. بصفته طالبًا، يتعلم النموذج ليس فقط تصنيف العقد المصنفة بشكل صحيح، بل يسعى أيضًا لتحقيق التناسق مع المعلم على العقد غير المصنفة في حالات أكثر تحديًا، مثل معدل الانقطاع العالي وتراجع الرسم البياني. بصفته معلمًا، يقوم النموذج بمتوسط أوزان نموذج الطالب ويولد توقعات أكثر دقة لتوجيه الطالب. في هذا العملية المتبادلة التي تعزز بعضها البعض، يمكن استخدام كلٍ من العينات المصنفة وغير المصنفة بكاملها لإعادة انتشار التدرجات الفعالة لتدريب GCN. في ثلاث مهام تصنيف مقالات، وهي Citeseer وCora وPubmed، قد أثبتنا أن الطريقة المقترحة تتطابق مع أفضل التقنيات الحالية في دقة التصنيف.