摘要
我们考虑了一类问题，即基于少量已标记样本对大多数未标记的图结构数据样本进行预测。数据样本之间的关系信息，通常编码在图/网络结构中，已被证明对这些半监督学习任务有所帮助。然而，传统的图基正则化方法和近期的图神经网络并未充分挖掘特征、图和标签之间的相互关系。在本工作中，我们提出了一种灵活的生成框架用于图基半监督学习，该框架旨在接近节点特征、标签和图结构的联合分布。借鉴网络科学文献中的随机图模型的见解，这一联合分布可以使用多种分布族来实例化。对于缺失标签的推断，我们利用了近年来可扩展变分推理技术的进步来近似贝叶斯后验分布。我们在基准数据集上进行了详尽的实验以评估所提出的图基半监督学习方法。结果表明，在大多数设置下，所提出的方法优于现有最先进的模型。