基于对抗训练的伪标签约束自编码器

摘要：

社会网络的节点经常存在标注缺失、标注错误和人工标注成本高的现象,这种现象对监督或半监督的网络表示学习效果产生了不利的影响.提出一个自监督学习的网络表示学习模型——基于对抗训练的伪标签约束自编码器(AT-PLCAE).设计一个伪标签约束自编码器,通过缩短原始图的伪标签和网络表示的伪标签之间的距离,减少编码过程中产生的信息损失,约束和引导模型有效学习.同时,设计与伪标签约束自编码器相适应的对抗网络,组织表示的潜在空间结构.将潜在表示后验分布与输入的特定先验分布相匹配后,该模型能够缓解过拟合问题并提升模型的泛化能力.在Cora、Citeseer、Wiki和Pubmed这4个公开数据集上进行节点分类实验,结果表明,AT-PLCAE模型在分类准确率方面学习效果优于基准方法,与基准方法的最高分类准确率相比,在Cora数据集上提升0.018,在Citeseer和Pubmed数据集上均提升0.011.同时消融实验结果表明,针对伪标签约束自编码器的对抗训练增强了模型的泛化能力.

关键词：自监督学习、网络表示学习、伪标签、自编码器、对抗训练、泛化

所属期刊栏目：49

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金62072154

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：123-130