본 논문은 그래프에서의 준지도 노드 분류의 성능과 강건성을 향상시키기 위해 앙상블 학습과 증강된 그래프 구조를 결합하는 새로운 프레임워크를 제안합니다. 동일한 그래프의 여러 증강된 뷰를 생성함으로써, 이 방법은 다양한 군집의 "지혜"를 활용하여 노이즈가 많은 그래프 구조의 문제를 완화합니다. 앙상블 학습을 활용하여 모델 합의에 기반한 적응적 신뢰 임계값 선택, 훈련을 위한 고신뢰 샘플 수의 동적 결정, 확인 편향을 완화하기 위한 강건한 의사 레이블 추출이라는 세 가지 주요 목표를 동시에 달성합니다. 본 연구의 접근 방식은 적응적 앙상블 합의를 독창적으로 통합하여 의사 레이블 추출 및 샘플 선택을 유연하게 안내하고, 오류 누적의 위험을 줄이며 강건성을 향상시킵니다. 또한, 의사 레이블링을 위한 앙상블 기반 합의의 사용은 개별 모델이 종종 간과하는 미묘한 패턴을 포착하여 모델의 일반화 성능을 향상시킵니다. 여러 실제 데이터 세트에 대한 실험은 제안된 방법의 효과를 보여줍니다.
