摘要
许多有趣的机器学习问题正在通过新的深度学习工具重新审视。在基于图的半监督学习中，最近的一个重要进展是图卷积网络（Graph Convolutional Networks, GCNs），该方法在卷积层中巧妙地集成了局部顶点特征和图拓扑结构。尽管GCN模型与其他最先进方法相比具有优势，但其机制尚不明确，并且仍然需要大量的标注数据进行验证和模型选择。本文中，我们对GCN模型进行了更深入的研究，并探讨了其基本限制。首先，我们表明GCN模型中的图卷积实际上是一种特殊的拉普拉斯平滑形式，这是GCN有效工作的关键原因，但也带来了多层卷积可能导致过度平滑的潜在问题。其次，为了克服浅层架构下GCN模型的限制，我们提出了协同训练和自训练两种方法来训练GCNs。我们的方法显著提高了在少量标签情况下学习的性能，并且无需额外的标注数据进行验证。广泛的基准实验已经验证了我们的理论和建议。