EDN: 一种用于图数据的新型边依赖噪声模型
机器学习
2026-01-30 v1
摘要
图的一个重要结构特征是其边集，因为它捕捉了节点之间的关系（图拓扑）。现有的节点标签噪声模型，如对称标签噪声（Symmetric Label Noise, SLN）和条件类别噪声（Class Conditional Noise, CCN），忽视了图数据中这一重要的节点关系；而边依赖噪声（Edge-Dependent Noise, EDN）模型正是为了解决这一局限性。EDN认为在现实场景中，标签噪声可能受到节点之间连接的影响。我们探讨了EDN的三种变体。图中连接节点和边的一个关键概念是节点的度；我们证明在所有三种变体中，节点标签被损坏的概率都依赖于其度。此外，我们比较了这些概率在不同变体中对节点度的依赖关系。我们在5种不同的GNN架构和8种图数据噪声鲁棒算法上，对流行的图数据集进行了实验。结果表明，与传统的节点标签噪声模型相比，EDN的两种变体导致GNN和现有噪声鲁棒算法的性能退化更大。我们通过提出一个合适的假设检验问题从统计上验证了这一点。这强调了在评估图的噪声鲁棒算法时纳入EDN的重要性，以增强噪声环境下基于图的学习的可靠性。
引用
@article{arxiv.2506.11368,
title = {EDN: A Novel Edge-Dependent Noise Model for Graph Data},
author = {Pintu Kumar and Nandyala Hemachandra},
journal= {arXiv preprint arXiv:2506.11368},
year = {2026}
}