网络上的选择性采集

图上的主动搜索（AS）关注在给定查询预算下，利用网络拓扑及其边权的全局知识来收集特定标记节点（目标）。然而，在大多数网络中，节点、拓扑和边权最初都是未知的。我们引入了选择性采集，这是 AS 的一种变体，其中下一个要查询的节点必须在当前已查询节点集的邻居中选择；用于决定查询哪个节点的可用训练数据被限制在由已查询集（及其节点属性）及其邻居（无任何节点或边属性）诱导的子图中。因此，选择性采集是一个序贯决策问题，我们必须在每一步决定查询哪个节点。在此场景下训练的分类器会受到隧道视觉效应的影响：在没有独立采样的情况下，查询有前景节点的驱动力迫使分类器收集越来越有偏差的训练数据，我们表明这会显著损害 AS 方法和标准分类器的性能。我们发现，通过使用多个分类器可以收集到更大规模的目标集，这并非通过将它们的预测组合为集成，而是在每一步切换所使用的分类器，以此作为缓解隧道视觉效应的一种方式。我们发现，切换分类器能收集更多目标，其方式是 通过使训练数据多样化，以及 扩大下一步可查询节点的选择范围。这凸显了我们问题中探索、利用和多样化之间的权衡，这超越了经典序贯决策问题中的探索与利用二元对立。基于这些观察，我们提出了 D3TS，这是一种基于面向非平稳随机过程的多臂赌博机的方法，它强制分类器多样性，在我们的评估中，它在七个真实网络数据集上匹配或超越了竞争方法的性能。