信息增益传播：一种面向图主动学习的软标签新方法
机器学习
2022-03-03 v1
摘要
图神经网络 (GNN) 在各类任务中取得了巨大成功，但其性能高度依赖于大量带标签节点，这通常需要相当大的人力投入。基于 GNN 的主动学习 (AL) 方法旨在通过选择最有价值的节点进行标注来提高标注效率。现有方法假设一个神谕 (oracle) 能正确分类所有选中的节点，因此仅关注节点选择。然而，这种精确标注任务成本高昂，尤其当分类超出单个领域专家（神谕）的知识范围时。本文更进一步，提出了一种用于 GNN 主动学习的软标签方法。我们的关键创新在于：i) 松弛查询，即领域专家（神谕）仅判断预测标签的正确性（一个二分类问题），而非识别确切的类别（一个多分类问题）；ii) 针对具有松弛查询和软标签的主动学习器，提出了最大化信息增益传播的新准则。在公开数据集上的实证研究表明，我们的方法在准确率和标注成本方面均显著优于当前最先进的基于 GNN 的主动学习方法。
引用
@article{arxiv.2203.01093,
title = {Information Gain Propagation: a new way to Graph Active Learning with Soft Labels},
author = {Wentao Zhang and Yexin Wang and Zhenbang You and Meng Cao and Ping Huang and Jiulong Shan and Zhi Yang and Bin Cui},
journal= {arXiv preprint arXiv:2203.01093},
year = {2022}
}
备注
17 pages, 7 figures