摘要
图卷积网络（GCN）为基于图的半监督任务提供了一种强大的手段。然而，作为谱图卷积的局部一阶近似，经典的GCN无法充分利用未标记数据，特别是在未标记节点远离已标记节点的情况下。为了利用未标记节点的信息来增强GCN的训练效果，我们提出了一种名为自集成图卷积网络（Self-Ensembling GCN, SEGCN）的新框架，该框架将GCN与半监督学习中的另一强大模型——均值教师（Mean Teacher）相结合。SEGCN包含一个学生模型和一个教师模型。作为学生模型，它不仅学习正确分类已标记节点，还试图在更具挑战性的条件下（如高dropout率和图退化）与教师模型在未标记节点上保持一致。作为教师模型，它通过平均学生模型的权重生成更准确的预测来引导学生模型。在这种相互促进的过程中，有标签和无标签样本都能被充分用于反向传播有效的梯度以训练GCN。我们在三个文章分类任务中验证了所提出方法的有效性，即CiteSeer、Cora和PubMed，在这些任务中我们的方法达到了当前最先进的分类精度。