缓解来自敌对邻域的语义混淆以改进图主动学习
机器学习
2023-08-21 v1
摘要
图主动学习（GAL）旨在为图中最具信息量的节点寻求标注，以最大化图神经网络（GNNs）的性能，已吸引大量研究努力，但仍存在重要的挑战。一个主要挑战是，现有 GAL 策略可能给所选训练集引入语义混淆，尤其在图含噪声时更为明显。具体而言，大多数现有方法假设所有聚合特征都有益，忽略了消息传递机制下类间边的语义负面效应。本工作中，我们提出面向图的语义感知主动学习框架（SAG）以缓解语义混淆问题。我们引入具有语义特征的节点两两相似度与不相似度来联合评估节点影响力。还分别设计了基于原型的新准则与查询策略，以维护所选节点的多样性与类别平衡。在公开基准图与一个真实金融数据集上的大量实验表明，SAG 显著提升了节点分类性能，并持续优于以往方法。此外，综合分析与时序消融研究也验证了所提框架的有效性。
引用
@article{arxiv.2308.08823,
title = {Mitigating Semantic Confusion from Hostile Neighborhood for Graph Active Learning},
author = {Tianmeng Yang and Min Zhou and Yujing Wang and Zhengjie Lin and Lujia Pan and Bin Cui and Yunhai Tong},
journal= {arXiv preprint arXiv:2308.08823},
year = {2023}
}
备注
Accepted by CIKM 2023