摘要

在仅有极少量标注数据（每类仅两到三个样本）的图结构数据上进行归纳式学习（transductive learning）极具挑战性，主要源于监督信号的严重不足。现有方法普遍采用基于单视图模型的自监督学习来缓解这一问题。然而，近期研究表明，对象在高层特征空间中的多视图表示共享相同的语义信息。为此，我们为每个样本生成异构的多视图表示，并引入视图一致性损失（view-consistency loss），促使不同视图间的表示保持一致。此外，多视图表示还启发我们通过视图间的相互监督机制来提升伪标签（pseudolabels）生成的可靠性。本文因此提出一种视图一致的异构网络（View-Consistent Heterogeneous Network, VCHN），通过对齐与视图无关的语义信息，学习更优的表示。具体而言，VCHN通过约束两个视图之间的预测结果，使视图对能够相互监督。为进一步充分利用跨视图信息，我们设计了一种新颖的训练策略，以生成更为可靠的伪标签，从而进一步提升VCHN的预测性能。在三个基准数据集上的大量实验结果表明，所提方法在极低标签率条件下，显著优于当前最先进的方法。