초록
우리는 라벨이 지정되지 않은 그래프 구조 데이터 샘플의 대부분에 대해 예측을 수행하는 문제군을 고려합니다. 이 문제들은 라벨이 지정된 샘플의 작은 비율을 기반으로 합니다. 데이터 샘플 간의 관계 정보는 종종 그래프/네트워크 구조로 인코딩되며, 이러한 반監督 학습 과제에 도움이 되는 것으로 나타났습니다. 그러나, 전통적인 그래프 기반 정규화 방법과 최근의 그래프 신경망은 특성, 그래프, 그리고 라벨 간의 상호관계를 완전히 활용하지 못하고 있습니다.본 연구에서는 이러한 그래프 기반 반감독 학습을 위한 유연한 생성 프레임워크를 제안합니다. 이 프레임워크는 노드 특성, 라벨, 그리고 그래프 구조의 결합 분포를 다룹니다. 네트워크 과학 문헌에서 무작위 그래프 모델에 대한 통찰력을 차용하여, 이 결합 분포는 다양한 분포족을 사용하여 인스턴스화될 수 있습니다. 누락된 라벨의 추론을 위해 우리는 최근 확장 가능한 변분 추론 기술의 발전을 활용하여 베이지안 사후 확률을 근사합니다.우리는 그래프 기반 반감독 학습을 위한 벤치마크 데이터셋에서 철저한 실험을 수행했습니다. 결과는 제안된 방법들이 대부분의 설정에서 최신 모델들을 능가한다는 것을 보여주었습니다.