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

本文研究了在图上进行二元标签预测的主动学习问题，引入了一种被称为S2的简单标记效率算法，其中S2基于图的结构和之前收集的所有标签选择要标记的顶点。我们通过一种新颖的复杂性参数化方法，给出了S2需要查询的问题数量的理论估计，并呈现了S2在真实数据和合成数据上的表现。最后，我们展示了S2算法对非参数主动学习的理论影响。

Jun, 2015

本文介绍了一种基于数据的方法，用于学习适应底层网络拓扑特征的类特定扩散函数，从而改善扩散分类器的性能并提高分类准确性，超过了依赖于节点嵌入和深度神经网络的最先进方法。

Apr, 2018

在本文中，我们提出了一种新颖的方法，通过采用交替随机游走策略来生成特定角色的顶点邻域，并在相应的源/目标角色中训练节点嵌入，以在完全利用有向图的语义的同时，为有向图中的两个不同节点角色维护单独的视图或嵌入空间，成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题，并在几个真实世界数据集上展示了我们方法的有效性，我们表明我们的嵌入是稳健，可推广和在多种任务和图表现良好，并且在节点分类任务中始终优于基线模型。

Oct, 2018

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

本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

Jan, 2021

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

该论文介绍了一种新的方法，可以在多标签节点分类任务中使用图神经网络，并发布了三个真实世界的生物学数据集，用于该任务的基准测试。作者还定义了多标签场景下的同质性概念，并开发了一种新的方法来动态融合特征和标签相关信息，从而学习标签感知的表示。经过大规模对比研究，该方法在九个数据集上表现良好，并证明了其有效性。

Apr, 2023