Jan, 2022

少量标签图神经网络的信息伪标记

PDF
TL;DR本研究提出了一种新的信息伪标签框架（InfoGNN），以最大化互信息为基础，通过伪标签化最具信息代表性的节点来促进使用极少数标记的 GNN 的学习。同时，也提出了一个广义交叉熵损失函数，并使用类平衡正则化来解决潜在的标签噪音和类不平衡问题。实验证明，该方法在六个真实图数据集上显著优于基线和强自监督方法。
graph neural networkssemi-supervised learningpseudo-labelingnode classificationmutual information maximization
发现论文，激发创造
  • 面向基于图的半监督学习的伪对比学习

    该论文提出了一种 Pseudo Contrastive Learning (PCL) 的通用框架，该框架通过生成可靠的对比对来解决生成高质量伪标签的问题，通过对负样本进行 dropout 来实现数据增强。 最终，实验证明该方法在五个真实世界的图上均优于其他普遍技术。

    Feb, 2023

  • NRGNN: 在稀疏和嘈杂标记图上训练标签噪声抵抗力图神经网络

    本文提出了一种抵抗标签噪声的新型图神经网络，通过链接具有高特征相似性的未标记节点和已标记节点以及精确的伪标签来提高半监督节点分类的准确性，并在真实数据集上进行了广泛的实验研究。

    Jun, 2021

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 基于标签一致性的图神经网络用于半监督节点分类

    本文提出了基于标签一致性的图神经网络（LC-GNN），扩大了 GNN 中的节点感受野，利用未连接但标签相同的节点对。在基准数据集上的实验证明，LC-GNN 在图形半监督节点分类方面优于传统的 GNN，在只有少数标记节点的稀疏场景中也表现出优越性。

    Jul, 2020

  • GraFN: 基于非参数分布分配的少标签图上半监督节点分类

    该研究提出了一种名为 GraFN 的半监督方法来解决使用少量标记节点的图节点分类问题，它既结合了自监督方法的性能优势，又能够实现类别之间的节点区分。

    Apr, 2022

  • 利用标签技巧在多节点任务中提高图神经网络的性能

    本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向 / 有向链接预测、超边预测、子图预测等多个任务中提升 GNN 的性能。

    Apr, 2023

  • 图形部分标签学习与潜在原因发现

    我们提出了一种新颖的图表示学习方法，使得图神经网络模型能够在部分标记学习的背景下有效地学习有区别的信息，通过融入辅助训练和潜在因果提取，我们的方法可以过滤掉标签中的噪声，理论分析和实验证明了我们方法的优越性。

    Mar, 2024

  • 邻域正则化自训练在少标签学习中的应用

    本文提出了一种利用相似标签样本选择的自训练深度神经网络的方法，可有效降低错误伪标签产生的噪声影响，并均衡自训练过程性能提高和时间效率优化的关系。

    Jan, 2023

  • 标签噪声下的图学习

    本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。

    Jun, 2023

  • 面向带有稀疏标签噪声图的鲁棒图神经网络

    本篇论文研究如何开发一种具有噪声图和有限标记节点的噪声阻抗图神经网络，通过采用噪声边作为监督来学习去噪和密集图的新框架，并利用生成的边来规范化未标记节点的预测，以更好地训练图神经网络。实验结果表明，所提出的框架在具有有限标记节点的噪声图上具有鲁棒性。

    Jan, 2022