通过拓扑样本选择缓解图上的标签噪声
图神经网络(GNN)在节点分类中得到广泛应用,但最近的研究表明 GNN 对拓扑扰动如对抗攻击和边缘中断很容易受到攻击,为了克服这些问题,我们提出了一种新的标签推断框架 TraTopo,它结合了基于拓扑的标签传播、贝叶斯标签转换和随机游走的链接分析,并在稀疏图上超过了现有的 GCN 模型,在节点分类中表现出更高的准确性。
Jun, 2024
本文提出了一种新的通过过滤标签噪声来提高深度神经网络性能的方法,该方法与大多数现有方法依赖于噪声分类器的后验概率不同,它聚焦于潜在表示空间中数据的空间行为,并通过利用数据的高阶拓朴信息来收集大部分干净的数据,理论上证明了这种拓扑方法保证采集高度清洁的数据,实证结果表明,该方法优于现有技术,并且对多种噪声类型和级别具有鲁棒性。
Dec, 2020
本文提出了一种基于拓扑信号驱动的自监督学习方法,通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用,解决了现有图神经网络中的邻近偏见问题,并在七个图数据集上的节点分类任务中有效提高了模型性能。
Dec, 2022
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
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
提出一种能够有效提高 SOTA noisy-label learning 方法性能的新噪声标签学习图模型,该模型能够准确估计噪声率并用于训练过程的样本选择阶段。
May, 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
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
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
图分类是一项重要的图结构数据学习任务,我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN),利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法,能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中,TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024