LSCALE：基于隐空间聚类的节点分类主动学习
机器学习
2022-07-21 v2 社会与信息网络
摘要
图上的节点分类在许多实际领域中是一项重要任务。它通常需要标签用于训练，而在实践中标签难以获取或获取成本高昂。给定标注预算，主动学习旨在通过谨慎选择待标注节点来提升性能。已有的图主动学习方法利用已标注节点学习表示并选取部分未标注节点进行标签获取。然而，它们未充分利用未标注节点中存在的表示能力。我们认为未标注节点中的表示能力可用于主动学习，并进一步提升节点分类主动学习的性能。本文提出一种基于隐空间聚类的节点分类主动学习框架(LSCALE)，充分挖掘已标注与未标注节点的表示能力。具体而言，为选取标注节点，我们的框架基于无监督特征与有监督特征的动态组合，在隐空间上使用 K-Medoids 聚类算法。此外，我们设计增量聚类模块以避免不同步骤所选节点间的冗余。在五个数据集上的大量实验表明，我们所提框架 LSCALE 持续且显著大幅优于最先进的方法。
引用
@article{arxiv.2012.07065,
title = {LSCALE: Latent Space Clustering-Based Active Learning for Node Classification},
author = {Juncheng Liu and Yiwei Wang and Bryan Hooi and Renchi Yang and Xiaokui Xiao},
journal= {arXiv preprint arXiv:2012.07065},
year = {2022}
}
备注
ECML-PKDD 2022