计算机工程

作者：富坤, 孙明磊, 郝玉涵, 刘赢华

单位：河北工业大学 人工智能与数据科学学院, 天津 300401

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

基金：国家自然科学基金面上项目(62072154)

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。

来源：2023年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第11期