DiffusAL：将主动学习与图扩散耦合以实现标签高效节点分类

节点分类是属性图上的核心任务之一，但成功的图学习方案需要充足的标注数据。为保持较低的标注成本，主动图学习专注于选择最具质量、能最大化标签效率的节点子集。然而，决定哪种启发式方法最适合未标注图以提升标签效率，是一个持续的挑战。现有方案要么忽视所学模型与采样方法的对齐，要么仅关注有限的选择方面，因此有时劣于或仅等同于随机采样。在本工作中，我们提出一种称为 DiffusAL 的新型主动图学习方法，在多种设置下展现出显著的鲁棒性。为在不同图结构间获得更好的可迁移性，我们以无参数的方式结合三个独立的评分函数来确定最具信息量的待标注节点样本：i）模型不确定性，ii）多样性分量，以及 iii）通过图扩散启发式计算的节点重要性。我们用于获取与训练的计算大多可预处理，使得 DiffusAL 比结合多样选择准则的方法更高效，且与更简单的启发式方法同样快速。我们在多个基准数据集上的实验表明，与以往方法不同，我们的方法在所有测试的数据集与标注预算下均以 100% 的比例显著优于随机选取。