该论文提出了一种新的框架，利用局部图神经网络和基于置信度的路径调度器，可以在大规模真实数据上可靠地传播标签，同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。

Jul, 2020

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

基于消息传递机制的图神经网络在图分类任务中取得了先进的结果，然而，在训练数据中存在噪声标签时，它们的泛化性能会下降。本文从数据隐私和模型效用的角度来衡量噪声标签对图分类的影响，发现噪声标签会降低模型的泛化性能，并增强对图数据隐私的成员推理攻击能力。因此，我们提出了一种针对有噪声标签的图分类的鲁棒图神经网络方法。该方法通过高置信度样本和每个类别的第一个特征主成分向量精确过滤噪声样本，然后利用鲁棒主成分向量和数据增强下的模型输出来指导双重空间信息引导的噪声标签校正。最后，引入监督图对比学习来增强模型的嵌入质量并保护训练图数据的隐私。通过在八个真实图分类数据集上比较十二种不同方法，验证了所提方法的效用和隐私性，与最先进的方法相比，在 30% 的噪声标签比率下，RGLC 方法分别实现了最大 7.8% 和最小 0.8% 的性能提升，并将隐私攻击的准确率降低到 60% 以下。

Jun, 2024

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

本文研究任意异质性情况下的图标签噪声问题，提出了一个简单而高效的算法 LP4GLN，通过迭代步骤恢复图的同质性、修正噪声标签，并选择高可信度标签进行下一次迭代，最终在节点分类任务中取得高准确率。

Oct, 2023

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

我们提出了元学习图聚类方法 MetaGC，借助可分解的聚类损失函数以及元权重调整机制，能够对存在噪声边的图进行鲁棒的聚类，相较于现有的基于图神经网络的方法在各种噪声程度下的实验中，MetaGC 表现出更好的性能。

Nov, 2023

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

该论文提出了一种新颖的鲁棒图学习方案，能够通过自适应地消除原始数据中的噪声和错误来从真实世界的嘈杂数据中学习可靠的图，在数据聚类、半监督分类和数据恢复方面具有显著的性能提升，并在图像 / 文档聚类，目标识别，图像遮挡去除和视频背景减除等领域的大量实验中表现优于以前的最先进方法。

Dec, 2018

利用富有代表性和拓扑信息的数据，通过构建图形和最小化拉普拉斯能量来获取标签置信度，LaplaceConfidence 是一种处理有噪声标签的机器学习算法，并在维度缩减技术的支持下，在合成和实际噪声下优于现有方法。

Jul, 2023