すべてのノードが重要：半教師あり学習のための自己アンサンブルグラフ畳み込みネットワーク

グラフ畳み込みネットワーク（GCN）は、グラフベースの半教師ありタスクにおいて強力な手段を提供します。しかし、スペクトルグラフ畳み込みの局所的な一次近似として、従来のGCNはラベル付きデータを十分に活用することができず、特にラベルが付いていないノードがラベル付きノードから遠い場合にその弱点が顕著になります。ラベルなしノードからの情報を活用してGCNの学習を向上させるため、私たちは新しいフレームワークである自己アンサンブルGCN（Self-Ensembling GCN, SEGCN）を提案します。このSEGCNは、GCNと半教師あり学習における別の強力なモデルであるMean Teacherを組み合わせています。SEGCNには学生モデルと教師モデルが含まれます。学生モデルは、ラベル付きノードの正解分類を学ぶだけでなく、高ドロップアウト率やグラフ崩壊などのより困難な状況下でも、教師モデルとの一貫性を保とうとします。一方、教師モデルは学生モデルの重みを平均化し、より正確な予測を生成することで学生モデルを導きます。このような相互促進プロセスにより、ラベル付きおよびラベルなしサンプルが効果的な勾配の逆伝播に完全に利用され、GCNの訓練が行われます。3つの記事分類タスク（Citeseer, Cora, Pubmed）において、提案手法が最新の技術と同等の分類精度を持つことを検証しました。