NRGNN：在稀疏且含噪标签图上学习抗标签噪声的图神经网络
机器学习
2021-06-10 v1
摘要
图神经网络（GNNs）在节点分类等图上的半监督学习任务中取得了有前景的结果。尽管 GNNs 取得了巨大成功，许多真实世界图往往标签稀疏且含噪，这可能通过图结构将噪声信息传播到未标记节点，从而显著降低 GNNs 的性能。因此，开发一种用于半监督节点分类的抗标签噪声 GNN 十分重要。尽管已有大量研究致力于在含噪标签下学习神经网络，但它们大多关注独立同分布数据，并假设有大量含噪标签可用，这不能直接适用于 GNNs。因此，我们研究了一种在含噪且有限标签下学习鲁棒 GNN 的新问题。为减轻标签噪声的负面影响，我们提议将未标记节点与具有高特征相似度的标记节点相连，以引入更多干净标签信息。此外，通过该策略可获得准确的伪标签，从而提供更多监督并进一步降低标签噪声的影响。我们的理论与实证分析在温和条件下验证了这两种策略的有效性。在真实世界数据集上的大量实验证明了所提方法在含噪且有限标签下学习鲁棒 GNN 的有效性。
引用
@article{arxiv.2106.04714,
title = {NRGNN: Learning a Label Noise-Resistant Graph Neural Network on Sparsely and Noisily Labeled Graphs},
author = {Enyan Dai and Charu Aggarwal and Suhang Wang},
journal= {arXiv preprint arXiv:2106.04714},
year = {2021}
}