DeGLIF：基于 GNN 的标签噪声鲁棒节点分类
机器学习
2025-06-03 v1 机器学习
摘要
与干净标注的数据集相比，含噪声标注的数据集通常成本较低，图数据也是如此。在本文中，我们提出了一种去噪技术 DeGLIF：使用留一影响函数对图数据进行去噪。DeGLIF 使用一小部分干净数据和留一影响函数，对图数据进行标签噪声鲁棒的节点级预测。留一影响函数近似计算当从训练数据集中移除某个训练点时模型参数的变化。近期的研究提出了一种计算图神经网络（GNNs）留一影响函数的方法。我们扩展了该近期工作，以估计当从训练数据集中移除某个训练节点时验证损失的变化。我们使用该估计值和一种新的理论驱动的重标记函数来对训练数据集进行去噪。我们提出了两种 DeGLIF 变体来识别噪声节点。这两种变体都不需要关于数据集中噪声模型或噪声水平的任何信息；DeGLIF 也不估计这些量。对于其中一种变体，我们证明了检测到的噪声点确实会增加风险。我们在不同数据集上进行了详细的计算实验，以展示 DeGLIF 的有效性。它实现了比其他基线算法更好的准确率。
引用
@article{arxiv.2506.00244,
title = {DeGLIF for Label Noise Robust Node Classification using GNNs},
author = {Pintu Kumar and Nandyala Hemachandra},
journal= {arXiv preprint arXiv:2506.00244},
year = {2025}
}