基于图结构的节点属性完成的主动抽样
人工智能
2025-01-16 v1 社会与信息网络
摘要
节点属性是图分析中至关重要的信息类型, 但在实际应用中可能存在于某些节点的部分或完全缺失。恢复缺失的属性有望提升下游图学习任务的性能。目前针对节点属性完成的尝试有限, 但近期提出了一种新型框架——结构-属性转换器 (Structure-attribute Transformer, SAT), 采用解耦方案来利用结构信息和属性信息。SAT忽略了对学习过程贡献不同的程度这一问题, 且寻找一种实际的方法来建模具有观测属性的节点重要性具有挑战性。本文提出了一种新型恢复缺失节点属性的算法——AcTive Sampling (ATS)。首先基于图结构、表示相似性和学习偏差, 测量每个节点信息的代表性和不确定性。随后引入一种由 Beta 分布控制的加权方案, 将上述两种属性线性组合, 以选择下一轮优化步骤中的训练样本节点。在四个公开基准数据集和两个下游任务上的大量实验表明, ATS在节点属性完成方面具有优势。
引用
@article{arxiv.2501.08450,
title = {Active Sampling for Node Attribute Completion on Graphs},
author = {Benyuan Liu and Xu Chen and Yanfeng Wang and Ya Zhang and Zhi Cao and Ivor Tsang},
journal= {arXiv preprint arXiv:2501.08450},
year = {2025}
}