相异节点改进图主动学习
机器学习
2022-12-06 v1 人工智能
摘要
在许多实际场景中，为图嵌入算法获取训练标签可能代价高昂。主动学习（AL）算法有助于在总标签查询数保持在一定预算内的同时，获取最具价值的训练标签。现有的主动图嵌入框架提出使用中心性分数、密度分数和熵分数来评估未标记节点的价值，并已证明能够为图卷积网络的节点分类任务带来一定提升。然而，在评估未标记节点的重要性时，它未能考虑已有标记节点对未标记节点价值的影响。换言之，给定同一未标记节点，所计算的信息分数始终相同，且与标记节点集无关。为解决此局限，本文引入三种基于相异性的信息分数用于主动学习：特征相异性分数（FDS）、结构相异性分数（SDS）和嵌入相异性分数（EDS）。我们发现这三种分数能够考虑标记集对未标记候选节点价值的影响，从而提升主动学习性能。实验表明，我们新提出的分数平均提升分类准确率2.1%，且能够泛化至不同的图神经网络架构。
引用
@article{arxiv.2212.01968,
title = {Dissimilar Nodes Improve Graph Active Learning},
author = {Zhicheng Ren and Yifu Yuan and Yuxin Wu and Xiaxuan Gao and Yewen Wang and Yizhou Sun},
journal= {arXiv preprint arXiv:2212.01968},
year = {2022}
}
备注
NeurIPS 2022 Workshop GLFrontiers, Code could be found at https://github.com/franklinnwren/DS-AGE