节点分类是属性图的核心任务之一，本论文提出了一种称为 DiffusAL 的新型主动图学习方法，通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本，显著提高了标记效率，相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。

Jul, 2023

本文介绍了一种新的成本函数来进行神经网络的半监督学习，该函数通过动态创建一个图形来捕获特征空间中的潜在结构，并使用标签传播来估计其高和低密度区域，最终利用马尔科夫链设计出一种成本函数，以形成每类一个单一的紧凑簇，同时在优化过程中避免扰乱现有的簇，该方法在三个基准测试中表现良好，将基于图形的正则化的优点与高效的归纳推理相结合，不需要修改网络架构，可以轻松应用于现有网络，实现对未标记数据的有效利用。

Jun, 2018

本论文提出了一个称为主动图嵌入（AGE）的框架，用于选择最具信息量的节点作为训练有标签节点，以提高半监督图嵌入算法的性能，并结合具有时间敏感性的参数。实验结果表明我们所提出的查询策略的每个组成部分的有效性以及使用时间敏感性参数进行组合的强大性。

May, 2017

该论文提出了一种新的基于聚类的主动学习框架 (ALCS)，其中使用密度聚类方法探索数据的聚类结构，并引入基于双簇边界的样本查询程序以提高高度重叠类别分类的学习性能，此外，我们开发了有效的多样性探索策略来解决样本查询中的冗余问题，实验证明了该方法的有效性。

Jul, 2022

本文提出了一种使用信息论技术进行主动学习的算法，旨在根据网络拓扑结构和节点标签的联系，选择最能准确预测其他节点标签的子集节点，以便在不知道节点标签的情况下对所有节点进行标注预测，并在社交网络、英语小说中出现的单词以及海洋食物网络中的三个不同领域的网络上进行了测试。

Sep, 2011

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

使用包装器主动学习方法对分类问题进行改进，通过在初始标记样本上构建分类树，将空间分解为低熵区域，再使用基于输入空间的准则从这些区域中进行子采样，并证明了该方法在使用受限标记数据集时构建准确分类模型的有效性。

Apr, 2024

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

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

本文介绍了一种基于活动学习方法的独特自然语言处理方式，可以有效利用较少的标记数据点来培训神经网络，最终达到与标记数据点相同的分类准确率。通过找到局部聚类的占主导地位的集合，该方法可以选择训练的样本，具有更高的性能和灵活性，且不受数据集的影响。

Jan, 2022