从簇假设到图卷积：基于图的半监督学习再审视

基于图的半监督学习（Graph-based Semi-Supervised Learning, GSSL）长期以来一直是研究热点。传统方法通常为浅层学习模型，基于聚类假设（cluster assumption）。近年来，图卷积网络（Graph Convolutional Networks, GCNs）因其出色的性能表现，已成为主流技术。本文在统一的优化框架下，对这两类方法之间的关系进行了理论分析。一个令人瞩目的发现是：与传统方法不同，典型的GCNs在每一层中可能并未同时考虑图结构与标签信息。基于这一观察，我们进一步提出了三种简洁而强大的图卷积方法。第一种为有监督方法OGC，通过标签信息引导图卷积过程；其余两种为无监督方法：GGC及其多尺度版本GGCM，二者均旨在卷积过程中有效保留图结构信息。最后，我们通过大量实验验证了所提方法的有效性。