用于图上可迁移主动学习的图策略网络
机器学习
2020-10-26 v2 人工智能
机器学习
摘要
图神经网络(GNNs)因其在诸多领域的简洁性与有效性而日益受到关注。然而,训练这些网络通常需要大量标注数据,在某些领域中获取这些数据可能非常昂贵。本文研究 GNNs 的主动学习,即如何高效标注图上的节点以降低训练 GNNs 的标注成本。我们将该问题表述为图上的序贯决策过程,并训练一个基于 GNN 的策略网络,通过强化学习来学习最优查询策略。通过在多个具有完整标签的源图上联合训练,我们学习到一个可迁移的主动学习策略,可直接泛化至无标签目标图。在来自不同领域的多个数据集上的实验结果证明了所学习策略在同领域图间迁移及跨不同领域两种设定下提升主动学习性能的有效性。
引用
@article{arxiv.2006.13463,
title = {Graph Policy Network for Transferable Active Learning on Graphs},
author = {Shengding Hu and Zheng Xiong and Meng Qu and Xingdi Yuan and Marc-Alexandre Côté and Zhiyuan Liu and Jian Tang},
journal= {arXiv preprint arXiv:2006.13463},
year = {2020}
}