图传导锐化：在节点分类中利用未标记预测
本文提出图传导锐化（TS）方法，通过最小化未标记节点的预测熵来改进半监督节点分类的训练目标，无需改变模型架构即可在多个基准上提升性能。
近日，一篇题为《Graph Transductive Sharpening: Leveraging Unlabeled Predictions in Node Classification》的论文在 arXiv 上正式发表，为半监督节点分类任务提供了全新的训练目标改进思路。该研究由 Brown Zaz 等五位作者共同完成，提出了一种名为“图传导锐化”（Transductive Sharpening, TS）的方法，旨在从训练过程中所有节点的预测中提取额外信号，特别是那些没有标签的节点。
在半监督学习中，传统分类目标函数（如交叉熵损失）仅关注已标记节点的预测准确性，而完全忽略了模型对未标记节点产生的预测。作者观察到一个关键现象：即使没有真实标签，这些预测本身也可能蕴含对训练有益的信息。通过分解交叉熵损失，他们发现损失函数包含两个组成部分：一是依赖标签的对齐项，二是与标签无关的熵项。由此，他们提出使用预测置信度（即熵的倒数）作为在无标签情况下提取信号的自然度量。
基于这一洞察，TS 方法在损失层面进行简单而有效的修改：对于未标记节点，最小化其预测熵，即鼓励模型做出更确定的预测；对于已标记节点，则通过一个平衡项来抵消这种影响，以避免模型过度自信或忽视标签信息。整个修改不涉及任何骨干架构的变化，仅通过调整损失函数即可生效，代码已开源在 GitHub 上。
研究团队在多个节点分类基准数据集上进行了广泛实验，包括引文网络、社交网络等。结果表明，TS 方法能够在不改变现有图神经网络架构的前提下，持续提升分类准确率，且具有较好的通用性。这一成果为半监督图学习领域提供了新的视角，即训练目标本身仍有优化空间，而不仅仅是模型结构。论文全文 19 页，包含 4 张图表和 17 张表格，详细展示了实验结果和消融研究。