图上的类别平衡与强化主动学习
机器学习
2024-05-08 v3
摘要
图神经网络（GNN）在节点分类、链接预测和图分类等多种应用中取得了显著成功。面向GNN的主动学习旨在从未标注数据中查询有价值的样本进行标注，以较低成本最大化GNN的性能。然而，现有大多数用于GNN的强化主动学习算法可能导致高度不平衡的类别分布，尤其是在高度偏斜的类别场景中。使用类别不平衡的标注数据训练的GNN容易偏向多数类，而少数类的较低性能可能导致整体性能下降。为解决这一问题，我们提出了一种新颖的类别平衡与强化主动学习框架GCBR。它学习一个最优策略来获取类别平衡且信息丰富的节点进行标注，从而最大化使用所选标注节点训练的GNN的性能。GCBR设计了类别平衡感知的状态，以及一个在模型性能和类别平衡之间实现权衡的奖励函数。采用强化学习算法Advantage Actor-Critic（A2C）来稳定高效地学习最优策略。我们进一步通过引入惩罚机制将GCBR升级为GCBR++，以获得更加类别平衡的标注集。在多个数据集上的大量实验证明了所提方法的有效性，在性能上超越了现有最先进的基线方法。
引用
@article{arxiv.2402.10074,
title = {Class-Balanced and Reinforced Active Learning on Graphs},
author = {Chengcheng Yu and Jiapeng Zhu and Xiang Li},
journal= {arXiv preprint arXiv:2402.10074},
year = {2024}
}