基于无标签数据集的主动少样本顶点分类
机器学习
2025-04-29 v1
摘要
尽管图数据充足可用，但获取顶点标签是繁琐且昂贵的任务。因此，有必要仅从少量标记顶点中学习。现有的少样本学习方法假设存在类别秀（class oracle），该秀为所需类别提供标记顶点。然而，在现实场景中，当为顶点打标签时，尚不知道该顶点属于哪个类别，这种秀是不可用的。少样本学习方法通常与原型网络结合使用，而经典的半监督顶点分类则使用判别模型（如图卷积网络（GCN））。在本文中，我们通过迭代地向人类标注员提出顶点进行标注来训练模型。我们进行了三个实验，其中不断放宽我们的假设。首先，我们假设存在类别秀，即人类标注员被提供有相同数量的顶点可为每个类别打标签。我们将此称为“平衡抽样”。在随后的实验中，“不平衡抽样”，我们用 中心聚类取代类别秀，从聚类中抽取待标注的顶点。在最后一个实验中，“未知类别数”，我们不再假设知道类别的数量和分布。我们的结果表明，在每个类别可用少于20个样本时，原型模型在所有实验中均优于判别模型。当放弃“不平衡抽样”实验中类别秀的假设时，GCN的性能下降了9%，而原型网络仅下降了平均1%。对于“未知类别数”实验，两个模型的平均性能进一步下降了1%。源代码：https://github.com/Ximsa/2023-felix-ma
引用
@article{arxiv.2504.18696,
title = {Active Few-Shot Learning for Vertex Classification Starting from an Unlabeled Dataset},
author = {Felix Burr and Marcel Hoffmann and Ansgar Scherp},
journal= {arXiv preprint arXiv:2504.18696},
year = {2025}
}
备注
Accepted at IJCNN 2025