图结构数据上的多标签节点分类
摘要：图神经网络（GNNs）在图节点分类任务中显示了最先进的改进。虽然这些改进在多类分类场景中得到了广泛展示，但迄今为止，每个节点可能具有多个标签的更一般和现实的场景却受到了很少的关注。开展多标签节点分类的关注研究的第一个挑战是公开可用的多标签图数据集数量有限。因此，作为我们的第一个贡献，我们收集并发布了三个真实的生物数据集，并开发了一个多标签图生成器，可以生成具有可调属性的数据集。虽然高标签相似性（高同质性）通常被归因于GNN的成功，但我们认为多标签情景并不遵循多类情景下已经定义的同质性和异质性的常规语义。作为我们的第二个贡献，除了为多标签情景定义同质性外，我们还开发了一种新方法，动态融合特征和标签相关信息以学习标签导向的表示。最后，我们进行了一项大规模的比较研究，涉及10种方法和9个数据集，这也展示了我们方法的有效性。我们在url{https://anonymous.4open.science/r/LFLF-5D8C/}上发布了我们的基准测试。
作者：Tianqi Zhao, Ngan Thi Dong, Alan Hanjalic, Megha Khosla
论文ID：2304.10398
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-30