【技术实现步骤摘要】
【国外来华专利技术】
1.本公开涉及图神经网络中的主动学习，并且在一些非限制性实施方案或方面中，涉及通过混合不确定性减少在图神经网络中的主动学习。2.
技术介绍
图(graph)是从网络数据学习知识的强大工具，其中节点表示可以丰富属性为特征的实例，并且边对节点之间的关系进行编码。然而，收集足够量的标记数据可能是昂贵且耗时的，这增加了图神经网络向安全关键领域，例如异常检测等的扩展的挑战。例如，许多现实世界场景的数据没有足够的标签，这使得这些场景难以建模为被监督问题。此外，许多现有研究集中于独立和相同分布的数据场景，并且不是为联网数据设计的。选择用于标记以使图模型的性能最大化的节点也并非不重要，因为不同的训练节点集可能产生非常不同的图表示结果。因此，需要利用主动学习从未标记数据动态地查询具有最大信息量的实例的标签，以应对图中的数据短缺挑战。
技术介绍
0、背景
技术实现思路
1、因此，提供了用于通过混合不确定性减少在图神经网络中主动学习的改进的系统、装置、产品、设备和/或方法。
2、根据一些非限制性实施方案或方面，提供了一种计算机实现的方法，包括：(i)利用至少一个处理器获得包括多条边和针对所述多条边的多个节点的图，其中所述多个节点中的标记节点的子集中的每个标记节点与标签相关联，并且其中所述多个节点中的未标记节点的子集中的每个未标记节点与标签不相关联；(ii)利用所述至少一个处理器，使用所述图和所述标记节点的子集中的每个标记节点的标签训练图神经网络(gnn)，其中训练所述gnn生成对所述多个节点中的
3、在一些非限制性实施方案或方面中，所述方法还包括：利用所述至少一个处理器重复步骤(iii)-(ix)预算次数。
4、在一些非限制性实施方案或方面中，所述方法还包括：在重复步骤(iii)-(ix)预算次数之后，提供重新训练的gnn；利用所述至少一个处理器接收另一图，所述另一图包括多条另外边和针对所述多条另外边的多个另外节点；利用所述至少一个处理器，使用所述重新训练的gnn，通过提供所述另一图作为所述gnn的输入并且接收对所述多个另外节点中的每个另外节点的另一预测作为所述gnn的输出来处理所述另一图；以及利用所述至少一个处理器，基于对所述多个另外节点中的每个另外节点的另一预测，将所述多个另外节点中的另外节点识别为异常节点。
5、在一些非限制性实施方案或方面中，所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
6、在一些非限制性实施方案或方面中，所述方法还包括：响应于将所述商家识别为默认风险，执行以下各项中的至少一项：(i)利用所述至少一个处理器将与所述商家的账户相关联的信息自动传输到数据库，以将所述账户标记为与所述默认风险相关联；(ii)利用所述至少一个处理器通过取消与所述商家相关联的交易自动暂停在交易处理网络中对所述交易的处理；(iii)利用所述至少一个处理器自动暂停所述商家的账户对所述交易处理网络中的交易服务提供方系统的访问；或者其任何组合。
7、在一些非限制性实施方案或方面中，从所述未标记节点的子集生成所述候选节点的候选池包括以下各项中的至少一项：(i)将所述未标记节点的子集聚类成未标记节点的多个集群，并且从所述多个集群中的每个集群为所述候选节点的候选池选择在该集群的中心的阈值距离内的未标记节点；(ii)基于所述图计算所述未标记节点的子集中的每个未标记节点的图中心性，并且为所述候选节点的候选池选择与满足阈值图中心性的图中心性相关联的未标记节点；(iii)使用所述标签传播算法为所述未标记节点的子集中的每个未标记节点生成预测标签，针对每个未标记节点，将该未标记节点的预测标签与对该节点的预测进行比较，并且为所述候选节点的候选池选择与所述预测标签和所述预测之间的不一致相关联的未标记节点；或者其任何组合。
8、在一些非限制性实施方案或方面中，所述gnn包括图卷积网络(gcn)。
9、根据一些非限制性实施方案或方面，提供了一种系统，包括：至少一个处理器，所述至少一个处理器被编程和/或配置成：(i)获得包括多条边和针对所述多条边的多个节点的图，其中所述多个节点中的标记节点的子集中的每个标记节点与标签相关联，并且其中所述多个节点中的未标记节点的子集中的每个未标记节点与标签不相关联；(ii)使用所述图和所述标记节点的子集中的每个标记节点的标签训练图神经网络(gnn)，其中训练所述gnn生成对所述多个节点中的每个节点的预测；(iii)从所述未标记节点的子集生成候选节点的候选池；(iv)使用标签传播算法为所述候选节点的候选池中的每个候选节点生成预测标签；(v)选择所述候选节点的候选池中的与所述图的最大混合熵减少相关联的候选节点，其中基于对所述多个节点中的每个节点的预测确定所述图的当前熵，其中，对于所述候选节点的候选池中的每个候选节点，基于该候选节点的预测标签确定所述图的更新熵，并且其中，对于所述候选节点的候选池中的每个候选节点，所述图的混合熵减少被确定为所述图的当前熵与针对该候选节点确定的所述图的更新熵之间的差；(vi)提供所选择的候选节点以进行标记；(vii)接收与所选择的候选节点相关联的新标签；(viii)将所选择的候选节点作为与所述新标签相关联的标记节点添加到所述标记节点的子集中；并且(ix)使用所述图和所述标记节点的子集中的每个标记节点的标签，包括作为与所述新标签相关联的标记节点添加到所述标记节点的子集的所选择的候选节点的标签，重新训练所述gnn，其中重新训练所述gnn重新生成对所述多个节点中的每个节点的预测。
10、在一些非限制性实施方案或方面中，所述至少一个处理器还被编程和/或配置成：重复步骤(iii)-(ix)预算次数。
11、在一些本文档来自技高网...
【技术保护点】
1.一种计算机实现的方法，包括：
2.根据权利要求1所述的计算机实现的方法，还包括：
3.根据权利要求2所述的计算机实现的方法，还包括：
4.根据权利要求3所述的计算机实现的方法，其中所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
5.根据权利要求4所述的计算机实现的方法，还包括：
6.根据权利要求1所述的计算机实现的方法，其中从所述未标记节点的子集生成所述候选节点的候选池包括以下各项中的至少一项：
7.根据权利要求1所述的计算机实现的方法，其中所述GNN包括图卷积网络GCN。
8.一种系统，包括：
9.根据权利要求8所述的系统，其中所述至少一个处理器还被编程和/或配置成：
10.根据权利要求9所述的系统，其中所述至少一个处理器还被编程和/或配置成：
11.根据权利要求10所述的系统，其中所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
12.根据权利要求11所述的系统，其
13.根据权利要求8所述的系统，其中所述至少一个处理器被编程和/或配置成通过以下各项中的至少一项从所述未标记节点的子集生成所述候选节点的候选池：
14.根据权利要求8所述的系统，其中所述GNN包括图卷积网络GCN。
15.一种计算机程序产品，包括至少一个非暂态计算机可读介质，所述至少一个非暂态计算机可读介质包括程序指令，所述程序指令在由至少一个处理器执行时使所述至少一个处理器：
16.根据权利要求15所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时还使所述至少一个处理器：
17.根据权利要求16所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时还使所述至少一个处理器：
18.根据权利要求17所述的计算机程序产品，其中所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
19.根据权利要求18所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时还使所述至少一个处理器：
20.根据权利要求15所述的计算机程序产品，其中所述程序指令在由所述至少一个处理器执行时使所述至少一个处理器通过以下各项中的至少一项从所述未标记节点的子集生成所述候选节点的候选池：
...【技术特征摘要】
【国外来华专利技术】
1.一种计算机实现的方法，包括：
2.根据权利要求1所述的计算机实现的方法，还包括：
3.根据权利要求2所述的计算机实现的方法，还包括：
4.根据权利要求3所述的计算机实现的方法，其中所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
5.根据权利要求4所述的计算机实现的方法，还包括：
6.根据权利要求1所述的计算机实现的方法，其中从所述未标记节点的子集生成所述候选节点的候选池包括以下各项中的至少一项：
7.根据权利要求1所述的计算机实现的方法，其中所述gnn包括图卷积网络gcn。
8.一种系统，包括：
9.根据权利要求8所述的系统，其中所述至少一个处理器还被编程和/或配置成：
10.根据权利要求9所述的系统，其中所述至少一个处理器还被编程和/或配置成：
11.根据权利要求10所述的系统，其中所述多个另外节点与多个商家相关联，并且其中与所述另外节点相关联的商家被识别为默认风险。
12.根据权利要求11所述的系统，其中所述至少一个处理器还被编程和/或配置成：
13.根据权利要求8所述的系统，其中所...
【专利技术属性】
技术研发人员：李晓婷，吴宇航，林郁珊，王飞，
申请(专利权)人：维萨国际服务协会，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。