Dual Bidirectional Graph Convolutional Networks for Zero-shot Node Classification

零样本节点分类对于经典的半监督节点分类算法，如被广泛应用于节点分类的图卷积网络(GCN)，是一个非常重要的挑战。为了从未见过的类中预测未标记的节点，零样本节点分类需要将知识从可见的类迁移到未见过的类。在零样本节点分类中，考虑类别之间的关系是至关重要的。然而，GCN只考虑了节点之间的关系，而没有考虑类之间的关系。因此，GCN不能有效地处理零样本节点分类问题。文中提出了一种双双向图卷积网络(Dual Bidirectional Graph Convolutional Networks, DBiGCN)，该网络分别从节点和类的角度由双bigcn组成。BiGCN可以在一个统一的网络中同时整合节点之间和类之间的关系。此外，为了使双BiGCNs协同工作，引入了标签一致性损失，以实现双BiGCNs之间的相互引导和相互改进。最后，在真实图数据集上的实验结果验证了所提方法的有效性

 

 

 BiGCN.

 综上所述，BiGCN的思想有两个方面:(1)学习到的节点和类的联合表示融合了节点之间的关系，从而产生具有相似表示的相似节点;(2)学习到的节点和类的联合表示融合了类之间的关系，从而得到表示相似的图上相似的类。得益于类之间关系的聚集，零样本节点分类成为可能。

 

BiGCN from Perspective ofthe Nodes.

 

 BiGCN from Perspective of the Classes.

 

 与公式(4)不同的是，可以从类的角度学习节点和类的联合表示，可以更好地利用可见类和未见类之间的关系。该实现完全符合零样本节点分类的基本假设。从类的角度来看，BiGCN被引用为BiGCN_A。

Label Consistency Loss.