A Graph Transductive Sharpening javítja a csomópont-osztályozást címkézetlen adatokkal
A transzduktív beállításban a teljes gráf megfigyelhető, de a csomópontok címkéi csak részben állnak rendelkezésre, ami korlátozza a betanítási adatokat.
Új megközelítést mutat be a Graph Transductive Sharpening (TS) a félig felügyelt csomópont-osztályozásban, amely a címkézetlen csomópontok előrejelzéseit is hasznosítja a betanítás során — írja az ArXiv-on megjelent tanulmány.
A kutatók a képzési célkitűzést vizsgálták újra, és arra a megfigyelésre építettek, hogy a transzduktív modellek a betanítás során minden csomóponthoz, beleértve a címkézetleneket is, előrejelzéseket készítenek. Ezek a címkézetlen csomópont-előrejelzések hasznos betanítási jeleket tartalmazhatnak, de a standard felügyelt célkitűzések eddig elvetették őket, mivel nem állnak rendelkezésre valós címkék.
A predikciós konfidencia szerepe
A kereszt-entrópia felbontásából inspirálódva, amely egy címkefüggő illesztési és egy címkefüggetlen entrópia tagból áll, a predikciós konfidenciát javasolják a jel kinyerésére a címkék hiányában. Ez motiválta a Transductive Sharpening (TS) bevezetését, amely egy veszteségfüggvény-szintű módosítás. A TS minimalizálja az előrejelzési entrópiát a címkézetlen csomópontokon, miközben ellensúlyozza ezt a hatást.
A gráf alapú tanulás jövője
A TS-módszerrel a modellek hatékonyabban tanulhatnak a rendelkezésre álló adatokból, és pontosabb csomópont-osztályozást érhetnek el. A kutatás rávilágít arra, hogy nem csak az architektúra, hanem a betanítási célkitűzés is kulcsfontosságú lehet a gépi tanulási modellek teljesítményének javításában, különösen a gráf alapú feladatoknál. A Graph Transductive Sharpening módszer 2023. április 15-én került bemutatásra az ArXiv oldalán, ahol a kutatók részletesen ismertették a TS módszer mögött álló matematikai alapokat és a tesztelési eredményeket.