ترجمه فارسی مقاله یادگیری فعال آفلاین در نمودارها

چکیده

We consider the problem of active learning on graphs, which has crucial applications in many real-world networks where labeling node responses is expensive. In this paper, we propose an offline active learning method that selects nodes to query by explicitly incorporating information from both the network structure and node covariates. Building on graph signal recovery theories and the random spectral sparsification technique, the proposed method adopts a two-stage biased sampling strategy that takes both informativeness and representativeness into consideration for node querying. Informativeness refers to the complexity of graph signals that are learnable from the responses of queried nodes, while representativeness refers to the capacity of queried nodes to control generalization errors given noisy node-level information. We establish a theoretical relationship between generalization error and the number of nodes selected by the proposed method. Our theoretical results demonstrate the trade-off between informativeness and representativeness in active learning. Extensive numerical experiments show that the proposed method is competitive with existing graph-based active learning methods, especially when node covariates and responses contain noises. Additionally, the proposed method is applicable to both regression and classification tasks on graphs.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل یادگیری فعال را در نمودارها در نظر می گیریم ، که در بسیاری از شبکه های دنیای واقعی کاربردهای مهمی دارد که در آن پاسخ های گره برچسب زدن گران است.در این مقاله ، ما یک روش یادگیری فعال آفلاین را پیشنهاد می کنیم که گره ها را برای پرس و جو با صریح اطلاعات از ساختار شبکه و همبستگی گره انتخاب می کند.با تکیه بر تئوری های بازیابی سیگنال نمودار و تکنیک پاریسی سازی طیفی تصادفی ، روش پیشنهادی یک استراتژی نمونه گیری مغرضانه دو مرحله ای را اتخاذ می کند که هم اطلاعاتی و هم نمایندگی را برای پرس و جو گره در نظر می گیرد.اطلاع رسانی به پیچیدگی سیگنال های نمودار که از پاسخ گره های پرسیده شده قابل یادگیری هستند ، اشاره دارد ، در حالی که نمایندگی به ظرفیت گره های پرسیده شده برای کنترل خطاهای تعمیم داده شده با توجه به اطلاعات سطح گره ای پر سر و صدا اشاره دارد.ما یک رابطه نظری بین خطای تعمیم و تعداد گره های انتخاب شده با روش پیشنهادی برقرار می کنیم.نتایج نظری ما نشان دهنده تجارت بین اطلاع رسانی و نمایندگی در یادگیری فعال است.آزمایش های عددی گسترده نشان می دهد که روش پیشنهادی با روشهای یادگیری فعال مبتنی بر نمودار موجود رقابت می کند ، به ویژه هنگامی که متغیرهای متغیر گره و پاسخ ها حاوی سر و صدایی هستند.علاوه بر این ، روش پیشنهادی برای هر دو کار رگرسیون و طبقه بندی در نمودارها کاربرد دارد.