RANA：面向噪声网络对齐的鲁棒主动学习
机器学习
2025-08-11 v2
摘要
网络对齐在多个领域引起了广泛关注。然而，大多数现有工作主要关注标签稀疏问题，忽视了网络对齐中噪声的问题，这会显著削弱模型性能。这种噪声主要包括来自噪声边的结构噪声和由人为和过程驱动错误引起的标签噪声。为了解决这些问题，我们提出RANA，即Robust Active learning framework for noisy Network Alignment。RANA有效处理结构噪声和标签噪声，同时解决锚链标注稀疏的问题，可提高网络对齐模型的鲁棒性。具体而言，RANA引入了噪声感知选择模块和标签去噪模块来分别处理结构噪声和标签噪声。在第一个模块中，我们设计了一种噪声感知最大化目标来选择节点对，纳入干净度评分以处理结构噪声。在第二个模块中，我们提出一种新颖的多源融合去噪策略，利用模型和双节点对的标签提供更准确的节点标签。在三个真实数据集上的实证结果表明，RANA在对齐准确性方面优于基于主动学习的最新方法。我们的代码可在https://github.com/YXNan0110/RANA 访问。
引用
@article{arxiv.2507.22434,
title = {RANA: Robust Active Learning for Noisy Network Alignment},
author = {Yixuan Nan and Xixun Lin and Yanmin Shang and Zhuofan Li and Can Zhao and Yanan Cao},
journal= {arXiv preprint arXiv:2507.22434},
year = {2025}
}
备注
Accepted by ECAI 2025