Feb, 2024
GraphCBAL: 基于增强学习的图神经网络类别平衡主动学习
GraphCBAL: Class-Balanced Active Learning for Graph Neural Networks via Reinforcement Learning
Chengcheng Yu, Jiapeng Zhu, Xiang Li
TL;DR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。