Semi-Supervised Learning mit Graph-Embeddings Revisited

Wir präsentieren ein semisupervises Lernframework basierend auf Graph-Embeddings. Angenommen wird ein Graph zwischen den Instanzen, dann trainieren wir für jede Instanz ein Embedding, um sowohl die Klassenbezeichnung als auch den Nachbarschaftskontext im Graph gemeinsam zu vorhersagen. Wir entwickeln sowohl transductive als auch inductive Varianten unserer Methode (transductive und inductive Variante). Bei der transductiven Variante unserer Methode werden die Klassenbezeichnungen sowohl durch die gelernten Embeddings als auch durch die Eingabe-Feature-Vektoren bestimmt, während bei der inductiven Variante die Embeddings als parametrische Funktion der Feature-Vektoren definiert sind, sodass Vorhersagen auch für Instanzen getroffen werden können, die während des Trainings nicht gesehen wurden. Anhand einer großen und vielfältigen Reihe von Benchmark-Aufgaben, einschließlich Textklassifizierung, schwach superviser Entitätsextraktion und Entitätsklassifizierung, zeigen wir eine verbesserte Leistung im Vergleich zu vielen bestehenden Modellen.