要約
私たちは、ラベル付きサンプルの小さな割合に基づいて、大部分がラベルなしでグラフ構造を持つデータサンプルに対する予測を行う問題群を検討します。これらの半教師あり学習タスクにおいて、データサンプル間の関係情報（通常はグラフ/ネットワーク構造に符号化されています）が有用であることが示されています。しかし、従来のグラフベースの正則化手法や最近のグラフニューラルネットワークは、特徴量、グラフ、およびラベル間の相互関係を十分に活用していません。本研究では、これらの半教師あり学習タスクに対して柔軟な生成フレームワークを提案します。このフレームワークは、ノード特徴量、ラベル、およびグラフ構造の同時分布にアプローチします。ネットワーク科学文献におけるランダムグラフモデルの洞察を取り入れることで、この同時分布は様々な分布族を使用して具体化することができます。欠損ラベルの推論には、スケーラブルな変分推論技術の最近の進歩を利用してベイジアン事後確率を近似します。我々は、グラフベースの半教師あり学習向けベンチマークデータセット上で詳細な実験を行いました。結果は、提案された手法がほとんどの設定で最先端モデルを上回っていることを示しています。