GATTA: Migliorare l'Apprendimento Attivo sui Grafi con l'Augmentazione al Momento del Test

È stato sviluppato un nuovo framework chiamato GATTA (Graph Active Learning with Test-Time Augmentation) per migliorare l'apprendimento attivo su dati strutturati a grafo. Sebbene l'augmentazione al momento del test (TTA) si sia dimostrata utile nella visione artificiale per rafforzare la resilienza del modello e stimare l'incertezza, il suo utilizzo nei contesti grafici è stato scarso. GATTA consolida le previsioni provenienti da varie viste aumentate per ottenere valutazioni di incertezza più affidabili. Per affrontare le sfide delle augmentazioni che preservano le etichette sui grafi, impiega un metodo di filtraggio basato sulla coerenza che elimina le viste aumentate con previsioni inaffidabili. Il framework è stato sottoposto a una valutazione approfondita su vari dataset di grafi, architetture GNN e strategie di acquisizione. I risultati mostrano che le tecniche di base basate sull'incertezza come Entropia e Minima Confidenza traggono i maggiori benefici dalla TTA, ottenendo risultati paragonabili a metodi più complessi e dispendiosi in termini di risorse. L'articolo è disponibile su arXiv con identificativo 2608.15084.