WSDMNov, 2022

通过噪声治理实现图神经网络的稳健训练

PDF
TL;DR本文提出了一种通过学习明确控制标签噪声的框架（RTGNN），包括自我强化和一致性正则化，以实现对带有标签噪声和少量标签的图形神经网络的训练，并证明了其在各种噪声情况下相对于现有方法的优越性能。
graph neural networkssemi-supervised learninglabel noisertgnnsupplemental supervision
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • 学习带有噪声标签的图神经网络

    本文研究了 GNNs 在对称标签噪声下的鲁棒性，将非线性神经信息传递模型（例如图同构网络，GraphSAGE 等）与损失校正方法相结合，提出了一种容忍噪声的方法来解决图分类任务，在人工对称嘈杂环境中可以提高测试准确性。

    May, 2019

  • 通过贝叶斯自监督方法保护图卷积神经网络免受动态图扰动的影响

    该研究提出并应用了一种新的基于贝叶斯自监督学习的模型 (GraphSS)，能有效抵御动态图中的对抗攻击以及恢复节点分类器的预测结果。

    Mar, 2022

  • Shift-Robust GNNs: 克服局部图训练数据的局限性

    本文提出一种称为 Shift-Robust GNN（SR-GNN）的方法，用于解决在真实世界场景下，由于数据获取昂贵和天生偏见而导致的数据采样不均衡问题，SR-GNN 可以适应节点标签采集偏差和数据分布转移等差异，从而实现半监督学习任务中的更好泛化效果。在多个实验中，SR-GNN 在常见 GNN 基准数据集上的表现优于其他 GNN 基线，并成功消除了偏差训练数据引入的至少～40% 的负面影响。

    Aug, 2021

  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • 图神经网络对结构噪声有多强健？

    该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

    Dec, 2019

  • 结构噪声下稳健图神经网络的比较研究

    该研究对不同类型的鲁棒图神经网络在结构噪声表现下进行了全面和系统的比较，并提供了鲁棒性图神经网络选择的实用建议。

    Dec, 2021