利用图卷积神经网络的转导特性以减少标注工作量
机器学习
2021-05-31 v1 人工智能
摘要
近来，针对图数据的机器学习方法变得非常流行。人们观察到，通过将构成数据的样本之间隐式或显式的逻辑连接纳入模型，取得了显著成果。在此背景下，不断发展的 GCN 模型通过应用于图数据的卷积滤波器做出了重要的实验贡献。该模型遵循转导式和半监督学习方法。由于其转导特性，所有部分标注的数据样本均作为模型输入。标注这一成本因素非常重要。在本研究范围内，试图回答以下研究问题：至少标注多少样本时，模型能达到最优成功率？此外，在固定标注工作量下，针对使用何种采样方法对模型准确率的影响，本文做出了一些实验贡献。根据实验，利用局部中心性度量可提升模型成功率。
引用
@article{arxiv.2105.13765,
title = {Exploiting Transductive Property of Graph Convolutional Neural Networks with Less Labeling Effort},
author = {Yasir Kilic},
journal= {arXiv preprint arXiv:2105.13765},
year = {2021}
}