ScatterSample：用于数据高效图神经网络学习的多样化标签采样
机器学习
2022-06-10 v1
摘要
哪些目标标签对图神经网络（GNN）训练最有效？在 GNN 表现出色的某些应用（如药物设计或欺诈检测）中，标注新样本的成本很高。我们开发了一种数据高效的主动采样框架 ScatterSample，用于在主动学习设置下训练 GNN。ScatterSample 采用称为 DiverseUncertainty 的采样模块，从样本空间的不同区域收集具有较大不确定性的实例进行标注。为保证所选节点的多样性，DiverseUncertainty 对高不确定性节点进行聚类，并从每个簇中选取代表性节点。我们的 ScatterSample 算法进一步得到严格理论分析的支持，证明其相对于仅简单最大化不确定性而不使样本多样化的标准主动采样方法的优势。具体而言，我们表明 ScatterSample 能够高效降低整个样本空间上的模型不确定性。在五个数据集上的实验表明，ScatterSample 显著优于其他 GNN 主动学习基线，具体而言，在达到相同测试精度的情况下，它将采样成本降低了多达 50%。
引用
@article{arxiv.2206.04255,
title = {ScatterSample: Diversified Label Sampling for Data Efficient Graph Neural Network Learning},
author = {Zhenwei Dai and Vasileios Ioannidis and Soji Adeshina and Zak Jost and Christos Faloutsos and George Karypis},
journal= {arXiv preprint arXiv:2206.04255},
year = {2022}
}
备注
13 pages