提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络(GCN)的 attributed graph embedding 任务,并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声,实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验,结果表明 AGE 在节点聚类和链接预测任务中表现出色。
Jul, 2020
通过引入节点的语义特征的两两相似性和不相似性共同评估节点影响力,设计了新的基于原型的标准和查询策略,以解决图形主动学习中的语义混淆问题,并通过实验验证了该框架的有效性。
Aug, 2023
本文提出了基于相异性的信息评分方法,包括特征差异评分、结构差异评分和嵌入差异评分,能够考虑标记节点集对未标记节点价值的影响,有效提高主动学习的性能,实验结果表明,本文提出的评分方法平均提高了 2.1% 的分类准确率,且适用于不同图神经网络结构。
Dec, 2022
通过强化学习训练一种基于图神经网络 (GNN) 的策略网络,来学习如何高效地标注图中的节点,以减少 GNN 训练的标注成本。该研究还证明了所学习的策略网络在同一领域和不同领域的图之间进行迁移学习的有效性。
Jun, 2020
介绍了一种基于图嵌入的半监督学习框架,重点研究了在图中联合预测类别标签和邻域上下文信息的方法,并在包括文本分类等多个基准任务上,相比已有的模型表现出了更好的性能。
Mar, 2016
该研究提出了一种基于图卷积神经网络的节点分类主动学习算法,采用预估误差减少来计算新的查询以降低标注者与系统的交互延迟,并通过对标签传播和线性化 GCN 进行自适应模型平均的混合算法来解决大量预先标注数据的缺失问题,在五个基准数据集上取得了显著的改进。
本文提出了一种基于潜在空间聚类的主动学习框架,利用无监督和有监督特征的动态结合,在节点分类中充分利用有标记和未标记节点的表示能力,使用 K-Medoids 聚类算法选择标记节点,并设计增量聚类模块以避免不同步骤选择的节点之间的冗余。经过在五个数据集上的广泛实验,结果表明我们提出的 LSCALE 框架始终以较大的优势显着优于现有最先进方法。
Dec, 2020
本研究提出并验证了一种基于图神经网络的主动学习方法,应用于节点分类任务,其中通过节点特征传播和 K-Medoids 聚类完成样本的选取,并在四个基准数据集上实验进行验证,结果表明该方法优于其他基准方法。
Oct, 2019
该研究提出了一种通用的归纳框架 GraphSAGE,可以利用节点特征信息生成节点嵌入,不需要进行所有节点的嵌入训练,同时利用邻域采样和聚合特征来学习生成节点嵌入的函数。该算法在三项归纳节点分类基准测试中表现出色,具有很好的泛化性能。
Jun, 2017
提出了一种基于主动学习的框架,通过分析软件源代码的 AST 图表征来进行软件性能预测,从而实现支持回归任务的任意查询策略并提高 AI 模型的性能。
Apr, 2023