图上的鲁棒离线主动学习

本文研究了图上的主动学习问题，该问题在许多真实世界网络中具有重要应用，其中标注节点响应的代价高昂。本文提出了一种离线主动学习方法，通过显式融合网络结构与节点协变量信息来选择待查询节点。基于图信号恢复理论与随机谱稀疏化技术，所提方法采用两阶段有偏采样策略，在节点查询中同时考虑信息性与代表性。信息性指可从查询节点响应中学习的图信号复杂度，而代表性指查询节点在给定含噪节点级信息的条件下控制泛化误差的能力。本文建立了泛化误差与所提方法所选节点数量之间的理论关系。理论结果展示了主动学习中信息性与代表性之间的权衡。大量数值实验表明，所提方法与现有基于图的主动学习方法具有竞争力，尤其是在节点协变量与响应含噪的情况下。此外，所提方法适用于图上的回归与分类任务。