在异配性与标签噪声图上复兴标签传播

标签噪声是大型数据集中的常见挑战，因其会显著削弱深度神经网络的泛化能力。现有研究多聚焦于计算机视觉中的噪声标签；然而，图模型以节点特征与图拓扑二者为输入，并通过消息传递机制更易受标签噪声影响。近来仅有少量工作提出应对图上的标签噪声。一个显著局限是它们在图呈现同配性且标签平滑分布的假设下运作。但真实图会表现出不同程度的异配性，甚至以异配性为主导，致使现有方法不足。本文研究任意异配性情形下的图标签噪声，旨在纠正噪声标签并为先前未标注节点分配标签。我们首先进行两项实证分析以探究图同配性对图标签噪声的影响。基于观察，我们提出一种高效算法，记为 $R^{2}LP$。具体而言，$R^{2}LP$ 是一种含三步的迭代算法：（1）重构图以恢复同配性，（2）利用标签传播纠正噪声标签，（3）选取高置信度标签保留至下一轮迭代。通过迭代这些步骤，我们得到一组正确标签，最终在节点分类任务中达到高准确率。理论分析亦被给出以证明其显著的去噪效果。最后，我们在十个具有不同图异配程度与各类噪声的基准数据集上实验，将 $R^{2}LP$ 与十种典型基线方法比较。结果展示了所提 $R^{2}LP$ 的优越性能。