Jun, 2023

标签噪声下的图学习

PDF
TL;DR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。
node classificationgraph neural networkslabel noiseconsistent graph neural networksample selection technique
发现论文，激发创造
  • 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

  • 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

  • 通过噪声治理实现图神经网络的稳健训练

    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。

    Nov, 2022

  • CSGNN：通过动态类别选择征服嘈杂节点标签

    该研究论文提出了一种名为 CSGNN 的图神经网络方法，通过使用邻居聚合的潜在空间自适应选择可靠的节点，并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明，CSGNN 在效果和鲁棒性上优于现有方法。

    Nov, 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

  • 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

  • NoisyGL: 图神经网络在标签噪声下的综合基准

    本研究提出了第一个面向噪声标签下图神经网络的全面基准 NoisyGL，以允许对噪声标签下图数据上的 GLN 方法进行公平比较和详细分析，并揭示了几个在先前研究中被忽视的重要见解。

    Jun, 2024

  • 基于课程学习的图神经网络用于不平衡节点分类

    本文提出了一种基于课程学习的图神经网络框架（GNN-CL），包含两个模块：基于图的过采样和同时调整特征空间中少数类节点间距离的图分类损失和度量学习损失，通过动态调整这两个模块的权重实现更好的泛化和判别能力。该框架在多个广泛使用的图数据集上进行评估，结果表明我们的模型始终优于现有最先进的方法。

    Feb, 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

  • 图卷积神经网络学习什么？

    本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

    Jul, 2022