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

本文提出了一种基于概率图模型的框架 LNP，用于处理标签噪音问题，并在不同噪音类型和比例以及异质图形上展现了其鲁棒性能。

Nov, 2023

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

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

通过使用噪声节点标签作为附加节点信息的替代，本研究提出了一种对局部图进行聚类的方法。实验证明，使用加权图中的扩散操作可以显著提高局部聚类的性能。

Oct, 2023

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

本文提出了一种名为 LERP 的新方法解决 GraphHop 方法在分类节点时出现的两个缺陷，并在多个数据集上进行实验，表明 LERP 方法在极低标签率下表现最佳。

Apr, 2022

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021

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