Nous proposons un nouveau cadre d’apprentissage actif basé sur un échantillonnage (pool-based), construit autour d’un réseau de convolution sur graphe séquentiel (Sequential GCN). Chaque image d’un ensemble de données est représentée par un nœud dans le graphe, tandis que les arêtes codent les similarités entre ces images. À partir d’un petit nombre d’images sélectionnées aléatoirement comme exemples étiquetés initiaux, nous apprenons les paramètres du graphe afin de distinguer les nœuds étiquetés des non étiquetés, en minimisant la perte d’entropie croisée binaire. Le GCN effectue des opérations d’échange de messages entre les nœuds, ce qui induit des représentations similaires pour les nœuds fortement associés. Nous exploitons ces propriétés du GCN pour sélectionner les exemples non étiquetés qui sont suffisamment différents des exemples étiquetés. Pour ce faire, nous utilisons les embeddings des nœuds du graphe ainsi que leurs scores de confiance, et adaptons des techniques d’échantillonnage telles que CoreSet et les méthodes basées sur l’incertitude afin de solliciter les nœuds pertinents. Nous inversons l’étiquette des nouveaux nœuds interrogés, les passant de « non étiquetés » à « étiquetés », puis réentraînons le classificateur afin d’optimiser la tâche descendante, tout en réajustant le graphe pour minimiser une fonction objectif modifiée. Ce processus est itéré dans un budget fixe. Nous évaluons notre méthode sur six benchmarks différents : quatre jeux de données de classification d’images réelles, un jeu de données de estimation de posture de main basé sur la profondeur, et un jeu de données synthétique de classification d’images RGB. Notre approche surpasse plusieurs méthodes de référence compétitives telles que VAAL, Learning Loss et CoreSet, et atteint un nouveau état de l’art sur plusieurs applications. Les implémentations sont disponibles à l’adresse suivante : https://github.com/razvancaramalau/Sequential-GCN-for-Active-Learning