GNN-LS 用可靠性双重指导与多视图整合，缓解低标签图节点分类

学术圈重大事件 · 发布 2026-08-23T08:37:00+08:00 · 更新 2026-08-23T08:40:31+08:00

ACM TKDD 提出 GNN-LS，用依据预测可靠性的双重指导策略从未标注节点补充监督，以正则项减少监督与自监督信息冗余，再按数据集和标签率整合多个图视角；论文在七个基准数据集上报告显著提升。方法回应真实图任务标签稀缺，但摘要未给出逐项增益、开销、代码和分布漂移结果，部署价值仍需复现。

ACM Transactions on Knowledge Discovery from Data 8 月 22 日发表图神经网络方法 GNN-LS，目标是在只有少量节点标签时提高节点分类。现有自监督方案会从图结构本身构造辅助任务，但有限标签常未被充分利用，单一模型能提取的内在信息视角也有限。论文入口见 ACM DOI 页面，摘要与出版元数据可由 Crossref核验。

方法包含三部分。第一，双重指导策略把未标注节点纳入训练，同时依据预测可靠性控制额外监督信号，避免把低置信伪标签等量灌入模型。第二，研究者加入正则项，减少监督信息与自监督内在信息之间的冗余。第三，多视图整合机制根据当前数据集和标签率，为不同图内在信息视角分配系数，使模型不必固定依赖单一预任务。

作者在七个基准数据集上报告相对同类方法的显著性能提升。对知识图谱、推荐、欺诈检测和生物网络团队而言，低标签是常态，能够从未标注结构中提取可靠监督具有直接价值。但摘要未给出各数据集绝对增益、统计方差、计算开销或在异配图、分布漂移和大规模动态图中的结果；基准提升也不能自动转化为真实业务收益，尤其当伪标签错误会沿图关系放大时。

为什么重要： GNN-LS 把低标签问题同时拆成标签利用不足、信息冗余和视角受限三部分，提供可组合的图学习框架，而不是只增加一个自监督预任务。

信息来源

• ACM Transactions on Knowledge Discovery from Data｜论文 DOI 页面
• Crossref｜论文元数据与摘要

可信度说明

论文经 ACM 同行评议，并在七个基准数据集上做方法比较，结构设计与低标签问题直接对应；但公开摘要没有逐项数值、消融规模、代码可用性或真实部署结果，模型对噪声伪标签、异配关系、动态图和大图计算成本仍需独立复现。