.png){kind=icon}
返回
Feature space variation-based active learning sample query strategy for graph deep learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.131165.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习(AL)已发展出多种查询策略以选择最有价值的样本进行标注，以优化深度学习(DL)模型的效率。然而，存在一个不可否认的挑战，即样本的特征空间分布被DL模型重塑，改变了其潜在的语义信息。现有的AL策略往往忽视了这一关键信息，导致标注资源的无谓消耗，并严重限制了DL模型的学习能力。因此，为应对这一挑战，本文从创新的角度研究了样本信息动态变化与DL模型学习潜力之间的复杂关系，提出了基于特征空间变化(FSV)的主动学习样本查询策略。在特定场景下，样本根据其重要性被分为固实、反转、潜力和挑战数据。同时，我们开发了一种针对性的最大熵稳定性指数，以有效量化样本的潜在标注价值。值得注意的是，这是AL领域中首个基于特征空间变化的样本查询策略，提供了新的视角和方法。最后，将所提出的策略与GNN模型集成，用于十六个基准上的图半监督节点分类和图分类任务。结果表明，本策略显著提升了DL模型的性能，并显著节省了标签资源，充分证明了策略的有效性。
Keyword:
Active learning
Query strategy
Graph neural networks
Semi-supervised learning
Node classification
Graph classification
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏SEAL+: A subgraph-enhanced framework for link prediction with graph neural networksSEAL+: 一种基于图神经网络的、经过子图增强的链接预测框架
PREAI
分享收藏
查看更多内容