这是 GMNN（Graph Markov Neural Networks） 模型的实现。 GMNN集成了 统计关系学习方法 （例如关系Markov网络和Markov逻辑网络）和 图神经网络 （例如图卷积网络和图注意力网络），用于半监督对象分类。 GMNN使用条件随机场来定义以对象特征为条件的所有对象标签的联合分布，并且可以使用 似然 优化该框架 伪 变异EM算法 算法 ，该 在E步和M步之间交替。 在E步中，我们 推断 未标记对象的标签，在M步中，我们 学习 参数以最大化伪可能性。 为了有益于训练这样的模型，我们在GMNN中引入了两个图神经网络，即GNNp和GNNq。 GNNq用于通过 学习有效的对象表示来改进推理 特征传播 。 GNNp用于通过本地 对本地标签依赖性进行建模 标签传播 。 用于优化GMNN的变分EM算法类似于 协同训练 框架。 在E步骤中，GNNp注释未标记的对象以更新GNNq，而在M步骤中，GNNq注释未标记的对象以优化GNNp。 GMNN还可以应用于许多其他应用程序，例如无监督的节点表示学习和链接分类。 在此仓库中，我们提供了用于 半监督对象分类 和非 监督