论文阅读“Co-GCN for Multi-View Semi-Supervised Learning”

Li S, Li W T, Wang W. Co-gcn for multi-view semi-supervised learning[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(04): 4691-4698.

摘要翻译

在许多现实应用程序中，数据有几个不相交的特性集，每个特性集都被称为视图。在过去的十年里，研究人员发展了许多多视图学习方法。本文将图卷积网络(GCN)引入多视图学习，并提出了一种新的多视图半监督学习方法Co-GCN，通过自适应地利用多视图的组合（拉普拉斯图）信息。在真实数据集上的实验结果验证，与先进的多视图半监督方法相比，Co-GCN可以获得更好的性能。

GCN浅记

注：因为在前面已经很多次介绍过GCN相关的符号和参数，已经传递公式。因此，这里对GCN不进行赘述。

模型浅析

通过基于图的理论协同训练解释，发现协同训练可以表示为组合图上的标签传播过程，其中连接组件的数量减少。由此作者首先由多视图数据的特征构造了一个组合图：

这里的

A_v

是第

v

个视图中的邻接矩阵，max(·)是一个element-wise的最大函数，以及

v∈\{1,2\}

。组合图

A_c

可以保留两个视图中示例之间的邻接关系。因此，我们可以应用GCN与组合图Ac来利用每个视图中的结构信息。设

G_v(X_v，A_c)

表示在第

v

个视图中使用组合图

A_c

训练的GCN模型，两个GCN模型可以被整合为如下表示：

其中

K_v

是GCN模型中的层数，并且在对应的输出层使用softmax激活。由此，可以推断出对应的label表示为：

Co-GCN与Laplacians的联合
但是由于在多视图数据中，每个视图都有着不同的视图特征表示，因此使用同一个组合的 $A_c$ 可能在多视图学习中不能得到很好的解决。一个较好的思路是为每个视图构建一个专属于每个视图的结构信息矩阵。为了更好的解决这个问题，作者为每个视图的Laplacians矩阵都赋予了一个可训练的权重。

对于这些视图的权重之和为1。

给定视图 $v$ ，因此当前只考虑两个视图的数据，因此可以组合表示为：

视图v的组合示意图

在这个组合表示中，如果 $L_w$ 可以为第 $v$ 个视图提供不同的信息，那么权重参数 $π_{vw}$ 应该很大，以便利用从 $L_w$ 中获得的互补信息；如果 $L_w$ 只为第 $v$ 个视图提供相似的信息，则权重参数 $π_{vw}$ 应该很小。在原始GCN模型中，使用了切比雪夫多项式的一阶近似