缓解敌对邻域对图主动学习的语义混淆
摘要：图激活学习（Graph Active Learning, GAL）旨在找到图中最具信息量的节点进行标注，以最大化图神经网络（Graph Neural Networks, GNNs）的性能，已经吸引了许多研究努力，但仍存在非常规范的挑战。其中一个主要挑战是现有的GAL策略在选择训练集时可能引入语义混淆，特别是当图数据嘈杂的情况下。具体而言，大多数现有方法假设所有聚合特征都是有帮助的，忽视了在消息传递机制下类间边缘之间的语义负面效应。在本文中，我们提出了用于图的语义感知主动学习框架（Semantic-aware Active learning framework for Graphs, SAG）来减轻语义混淆问题。引入了具有语义特征的节点的成对相似度和不相似度，共同评估节点影响力。还设计了一种新的基于原型的准则和查询策略，分别用于维护所选节点的多样性和类别平衡。对公共基准图和实际金融数据集进行了大量实验证明，SAG显著提高了节点分类性能，并始终优于先前的方法。此外，全面的分析和消融研究也验证了所提出框架的有效性。
作者：Tianmeng Yang, Min Zhou, Yujing Wang, Zhengjie Lin, Lujia Pan, Bin Cui, Yunhai Tong
论文ID：2308.08823
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-21