基于扰动的图形主动学习用于弱监督信念表征学习
机器学习
2024-10-28 v1
摘要
本文解决了在社交网络上进行半监督信念表征学习中标签资源分配优化的问题。目标是在有限预算内，战略性地识别值得标注的社交媒体图中的有价值信息，从而最大化任务性能。尽管在社交网络上进行信念和意识形表征学习方面取得了进展，尽管图学习技术效果显著，但高质量的精选标记社交数据 availability 能显著提升并进一步改进性能。因此，在标签资源有限的场景下，合理分配标签工作量是关键研究问题。本文提出了一种受图数据增强启发的基于扰动的主动学习策略（PerbALGraph），通过自动估计器逐步选择信息进行标注，无需人工指导。该估计器基于网络中信息对观察数据结构特征敏感性较高这一原则，这表明其具有显著影响力的标志性质，能够显著影响半监督过程。我们设计该估计器为在一组设计的图扰动下的预测方差，这是一种模型中立且与应用无关的策略。大量实验结果表明，所提出的策略对于信念表征学习任务有效。
引用
@article{arxiv.2410.19176,
title = {Perturbation-based Graph Active Learning for Weakly-Supervised Belief Representation Learning},
author = {Dachun Sun and Ruijie Wang and Jinning Li and Ruipeng Han and Xinyi Liu and You Lyu and Tarek Abdelzaher},
journal= {arXiv preprint arXiv:2410.19176},
year = {2024}
}