Progressive low-confidence pseudolabeling for semisupervised node classification

doi:10.1016/j.neucom.2025.131166

Progressive low-confidence pseudolabeling for semisupervised node classification

2025-09-10

0

PRE

AI

DOI：10.1016/j.neucom.2025.131166

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在处理图结构数据方面取得了显著成就。然而，GNNs的性能通常受限于缺乏充足标注数据，而这些数据在实际场景中获取耗时。伪标签方法通过用未标注数据扩充训练集数据已应用于GNNs。大多数图上的伪标签方法基于高置信度阈值对节点分配伪标签。然而，训练过程中靠近标注节点的节点通常获得高置信度分数。这导致训练过程中被分配伪标签的相似节点数量不断增加，这可能引起标注数据集与扩充数据集之间的分布偏移。扩充数据集的分布与整个图数据的分布显著偏离，导致GNNs在测试数据上表现不佳。本文提出一种渐进式低置信度伪标签（PLCP）方法，以逐步利用低置信度数据。具体而言，伪标签被分配给位于预定义置信度排序范围内的节点。为缓解分布偏移，我们保持该范围在整个训练过程中恒定，以防止过多节点被分配伪标签。该范围被设计得足够宽以利用低置信度节点。来自该范围的低置信度节点向其邻居传播信息，这有助于模型捕捉不确定区域的模式。为减轻噪声伪标签的影响，提出了基于验证的重新分配方案，利用验证指标分配更可靠的伪标签。大量实验表明，与几种现有方法相比，我们提出的PLCP在图数据集上提升了最先进GNNs的性能。

Progressive low-confidence pseudolabeling for semisupervised node classification

摘要

期刊

机构

引用论文