ALG: Fast and Accurate Active Learning Framework for Graph Convolutional Networks

ALG: Fast and Accurate Active Learning Framework for Graph Convolutional Networks

图卷积网络(GCNs)已经成为许多监督和半监督图表示学习场景中的最先进方法。为了达到令人满意的性能，GCNs需要足够多的标记数据。然而，在现实世界中，标记数据往往是昂贵的。本文提出ALG，一种新的GCNs主动学习框架，利用特定领域的智能，与通用的AL框架相比，实现了更高的性能和效率。首先，通过解耦GCN模型，ALG作为一种有效且高效的人工智能框架来度量和融合节点代表性和信息量;其次，利用GCNs接收域的特性，ALG提出了一种最大化有效接收域(ERF)的节点选择准则，综合考虑了节点的重要性和相关性。本文证明了这个ERF最大化问题是np -难的，并给出了一个有效的算法和一个可证明的近似保证。在4个公开数据集上的实验结果表明，ALG能够显著提高GCNs主动学习的性能和效率 

 

    如图1所示，ALG由一个计算节点重要性的自适应度量组件和一个选择组件组成，选择一组节点并根据它们的重要性进行标记。在每次迭代中，ALG以图G = (V, E)、特征矩阵X和更新的标签集作为输入，计算提出的代表性和信息量度量，并将它们组合成一个唯一的有效性感知的表示节点重要性的度量。然后，根据新的选择准则选择一批节点，即在平衡簇约束下最大化已标记节点在图G上的有效接收域(如图1中的三个有色区域)。最后，ALG查询oracle对已选择的节点进行标记。该过程重复，直到标签预算B用尽。

1）Decoupling GCN Models 

ALG利用的第一个关键观察结果是，由式(2)给出的gcn及其变体中的操作可以解耦为无模型的特征聚合操作(在图结构上)和依赖模型的神经更新操作