基于图认知逻辑回归与抢占式查询生成的属性图主动学习
机器学习
2020-07-13 v1 机器学习
摘要
属性图中的节点分类在多种实际场景中是一项重要任务，但获取标签往往困难或昂贵。主动学习可在给定查询标签数预算下改善所达成的分类性能。现有最佳方法基于图神经网络，但除非有相当规模的标记节点验证集可用于选择良好超参数，否则它们常表现不佳。我们提出一种新颖的基于图的主动学习算法用于属性图中的节点分类任务；我们的算法在预测阶段使用图认知逻辑回归（等价于线性化图卷积神经网络(GCN)），并在查询阶段最大化期望误差缩减。为减少标注者与系统交互所经历的延迟，我们推导了一种抢占式查询系统，在标注过程中计算新查询，并针对几乎无标记数据启动学习的场景，我们还开发了执行标签传播与线性化GCN推断的自适应模型平均的混合算法。我们在五个公开基准数据集上开展实验，展示了相较最先进方法的显著改进，并将该方法应用于私有微波链路网络数据集以阐明其实用价值。
引用
@article{arxiv.2007.05003,
title = {Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation},
author = {Florence Regol and Soumyasundar Pal and Yingxue Zhang and Mark Coates},
journal= {arXiv preprint arXiv:2007.05003},
year = {2020}
}