Ansichtskonsistente heterogene Netzwerke auf Graphen mit wenigen gelabelten Knoten

Die Durchführung von transduktivem Lernen auf Graphen mit nur sehr wenigen gelabelten Daten – beispielsweise zwei oder drei Proben pro Kategorie – ist aufgrund des Mangels an Supervision herausfordernd. In bestehenden Arbeiten wird häufig selbstüberwachtes Lernen mittels eines Einzelansichtsmodells eingesetzt, um dieses Problem anzugehen. Allerdings zeigt jüngste Beobachtung, dass mehrere Ansichten einer Objektrepräsentation im hochdimensionalen Merkmalsraum dieselbe semantische Information teilen. Für jedes Beispiel generieren wir heterogene Darstellungen und nutzen eine Ansichtskonsistenzverlustfunktion, um die Übereinstimmung der Darstellungen untereinander zu fördern. Die Mehransichtsrepräsentation inspiriert zudem zur Supervision der Generierung von Pseudolabels durch gegenseitige Supervision zwischen den Ansichten. In diesem Artikel schlagen wir daher ein view-konsistentes heterogenes Netzwerk (VCHN) vor, um verbesserte Darstellungen zu lernen, indem semantische Informationen, die ansichtsunabhängig sind, ausgerichtet werden. Konkret wird das VCHN dadurch aufgebaut, dass die Vorhersagen zwischen zwei Ansichten eingeschränkt werden, sodass die Ansichtspaare sich gegenseitig supervidieren können. Um die Nutzung von Kreuz-ansichts-Informationen optimal zu gestalten, schlagen wir außerdem eine neuartige Trainierstrategie vor, um zuverlässigere Pseudolabels zu generieren, was die Vorhersagen des VCHN weiter verbessert. Ausführliche experimentelle Ergebnisse auf drei Benchmark-Datensätzen zeigen, dass unsere Methode im Vergleich zu aktuellen State-of-the-Art-Verfahren unter sehr niedrigen Labelraten eine überlegene Leistung erzielt.