모든 노드가 중요하다: 반감독 학습을 위한 자기 앙상블 그래프 컨볼루션 네트워크

그래프 컨볼루션 네트워크(GCN)는 그래프 기반 반監督(semi-supervised) 작업을 위한 강력한 수단을 제공합니다. 그러나 전통적인 GCN은 스펙트럼 그래프 컨볼루션의 국소화된 1차 근사치이기 때문에, 라벨이 지정되지 않은 데이터를 충분히 활용하지 못하며 특히 라벨이 지정되지 않은 노드가 라벨이 지정된 노드로부터 멀리 떨어져 있을 때 이 문제가 더욱 두드러집니다. 이를 해결하기 위해, 우리는 GCN과 반監督 학습에서 또 다른 강력한 모델인 Mean Teacher를 결합한 새로운 프레임워크인 Self-Ensembling GCN(SEGCN)을 제안합니다. SEGCN은 학생 모델과 교사 모델로 구성됩니다. 학생으로서, 이 모델은 라벨이 지정된 노드를 올바르게 분류하는 것뿐만 아니라, 높은 드롭아웃 비율이나 그래프 붕괴와 같은 어려운 상황에서도 교사와 일관성을 유지하려고 합니다. 교사로서, 이 모델은 학생 모델의 가중치를 평균화하여 더 정확한 예측을 생성하여 학생을 안내합니다. 이러한 상호 보완 과정에서, 라벨이 지정된 샘플과 지정되지 않은 샘플 모두 효과적인 그래디언트를 역전파하여 GCN을 훈련시키는 데 충분히 활용될 수 있습니다. 세 가지 논문 분류 작업(Citeseer, Cora 및 Pubmed)에서 제안된 방법이 분류 정확도 측면에서 최신 연구 결과들과 맞먹는다는 것을 검증하였습니다.注：在翻译中，“半监督”被翻译为“반監督”，这是一个常见的术语翻译。同时，为了保持句子的流畅性和正式性，对一些句子结构进行了适当调整。