Jun, 2020

基于图策略网络的图可迁移主动学习

PDF
TL;DR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。
graph neural networksactive learningreinforcement learningannotation costtransfer learning
发现论文，激发创造
  • 基于生成流网络的精确奖励导向图模型主动学习

    本文提出了基于生成式流网络的图主动学习问题的创新形式：GFlowGNN。我们提出了流节点和流特征的概念，以便有效地将图建模为基于流的生成流网络。 并在实际数据集上进行了广泛的实验，证明了该方法具有良好的探索能力和可转移性，表现优于各种最先进的方法。

    Apr, 2023

  • 具有噪声结构的图的主动学习

    我们提出了一个名为 GALClean 的主动学习框架，它采用迭代方法同时进行数据选择和图纯化，具有理论上的 EM 算法支持，并且在各种类型和级别的噪声图上表现出有效性和健壮性。

    Feb, 2024

  • 通过节点特征传播进行图神经网络的主动学习

    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

  • 基于分区的图神经网络主动学习

    本文提出了一种基于图划分的半监督学习的主动学习方法 ——GraphPart，该方法可以在不引入额外的超参数的情况下，在 GNN 上取得更好的性能。

    Jan, 2022

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • GraphCBAL: 基于增强学习的图神经网络类别平衡主动学习

    图神经网络在最近取得了显著的成功；为了在低成本下最大化图神经网络性能，对于图神经网络的主动学习旨在从未标注的数据中查询有价值的样本进行注释，然而，大多数现有的增强式图神经网络主动学习方法可能导致高度不平衡的类分布，特别是在高度倾斜的类场景中，进一步对分类性能产生不利影响，为解决这个问题，本文提出了一种新颖的增强式类平衡主动学习框架 GraphCBAL，通过学习一个最优策略来获取类平衡且信息量丰富的节点进行注释，最大化选定标记节点的图神经网络性能，GraphCBAL 设计了类平衡感知状态以及一个能够在模型性能与类平衡之间达到平衡的奖励函数，我们进一步升级了 GraphCBAL 以获得更加类平衡的标记集合 GraphCBAL++，在多个数据集上进行的广泛实验证明了所提方法的有效性，相比现有最先进方法，特别是在分类结果和类平衡之间取得了平衡。

    Feb, 2024

  • 使用 GNNs 学习通用策略而不需要监督

    该研究利用图神经网络 (GNNs) 解决传统规划域的泛化策略学习问题。结果表明，这种方法可以获得最优性和广义性之间的平衡，从而实现泛化性能更好的规划。

    May, 2022

  • Policy-GNN：图神经网络的聚合优化

    本文提出了 Policy-GNN 方法，通过 meta-policy 学习采样策略和消息传递，以解决 GNN 中的聚合优化问题，提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。

    Jun, 2020

  • 基于图感知逻辑回归和先发制人式查询生成的属性图主动学习

    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。

    Jul, 2020

  • 通过深度强化学习元学习可转移的主动学习策略

    使用元学习框架，将主动学习算法视为学习问题，并使用强化学习训练一个输入基础学习器状态和未标记点集的深度神经网络，预测下一个最佳注释点，使用多任务数据集嵌入方法，使得算法可以直接推广到不同的问题。

    Jun, 2018