Partition-Based Active Learning for Graph Neural Networks

要約

アクティブ ラーニングの設定で、グラフ ニューラル ネットワーク (GNN) を使用した半教師あり学習の問題を研究します。
GNN 向けの新しいパーティション ベースのアクティブ ラーニング アプローチである GraphPart を提案します。
GraphPart は、最初にグラフを互いに素なパーティションに分割し、次に各パーティション内の代表的なノードを選択してクエリを実行します。
提案された方法は、グラフとノードの特徴に対する現実的な滑らかさの仮定の下での分類エラーの新しい分析によって動機付けられています。
複数のベンチマーク データセットでの広範な実験により、提案された方法が、さまざまなアノテーション バジェットの制約の下で、GNN の既存のアクティブ ラーニング方法よりも優れていることが実証されました。
さらに、提案された方法は追加のハイパーパラメータを導入しません。これは、特にラベル付きの検証セットが利用できない可能性があるアクティブな学習設定で、モデルのトレーニングに重要です。

要約(オリジナル)

We study the problem of semi-supervised learning with Graph Neural Networks (GNNs) in an active learning setup. We propose GraphPart, a novel partition-based active learning approach for GNNs. GraphPart first splits the graph into disjoint partitions and then selects representative nodes within each partition to query. The proposed method is motivated by a novel analysis of the classification error under realistic smoothness assumptions over the graph and the node features. Extensive experiments on multiple benchmark datasets demonstrate that the proposed method outperforms existing active learning methods for GNNs under a wide range of annotation budget constraints. In addition, the proposed method does not introduce additional hyperparameters, which is crucial for model training, especially in the active learning setting where a labeled validation set may not be available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google