用于缓解标签稀疏性与噪声的粗粒度和细粒度划分图神经网络
机器学习
2024-11-07 v1
摘要
图神经网络(GNNs)在处理图结构数据的半监督学习任务中获得了广泛关注，这主要归功于其消息传递机制，该机制在很大程度上依赖于干净标签的可用性。然而，在现实场景中，图中节点的标签不可避免地存在噪声且标签稀疏，这显著降低了GNNs的性能。在存在噪声和稀疏标签的情况下探索鲁棒的GNNs进行半监督节点分类仍然是一个关键挑战。因此，我们提出了一种新颖的\textbf{G}raph \textbf{N}eural \textbf{N}etwork with \textbf{C}oarse- and \textbf{F}ine-\textbf{G}rained \textbf{D}ivision用于缓解标签稀疏性和噪声，即GNN-CFGD。GNN-CFGD的核心思想是通过粗粒度和细粒度划分以及图重构来降低噪声标签的负面影响。具体而言，我们首先研究了将无标签节点连接到干净标签节点的有效性，证明这种方法在对抗标签噪声方面比连接到可能有噪声的标签节点更有效。基于这一观察，我们提出了一种基于记忆效应的高斯混合模型(GMM)，将给定标签粗粒度地划分为干净标签和噪声标签。接下来，我们提出了一种面向干净标签的连接，将无标签节点连接到干净标签节点，旨在缓解标签稀疏性并促进监督传播。此外，为了为噪声标签节点提供精细的监督并为无标签节点提供额外的监督，我们根据置信度分别将噪声标签节点和无标签节点细粒度地划分为两个候选集。在各种数据集上的大量实验证明了GNN-CFGD的优越有效性和鲁棒性。
引用
@article{arxiv.2411.03744,
title = {Graph Neural Networks with Coarse- and Fine-Grained Division for Mitigating Label Sparsity and Noise},
author = {Shuangjie Li and Baoming Zhang and Jianqing Song and Gaoli Ruan and Chongjun Wang and Junyuan Xie},
journal= {arXiv preprint arXiv:2411.03744},
year = {2024}
}