重新思考图分类中噪声标签的影响：效用与隐私视角
机器学习
2024-06-12 v1
摘要
基于消息传递机制的图神经网络在图分类任务中取得了先进成果。然而，当训练数据中存在噪声标签时，其泛化性能会下降。大多数现有的噪声标签处理方法聚焦于视觉域或图节点分类任务，且仅从效用角度分析噪声标签的影响。与现有工作不同，本文从数据隐私和模型效用两个角度衡量噪声标签对图分类的影响。我们发现噪声标签会降低模型的泛化性能，并增强针对图数据隐私的成员推断攻击能力。为此，我们提出了一种针对含噪声标签图分类的鲁棒图神经网络方法。具体来说，我们首先通过高置信度样本和每个类别的第一特征主成分向量精确过滤噪声样本。然后，利用鲁棒主成分向量和数据增强下的模型输出，实现由双空间信息引导的噪声标签校正。最后，引入有监督图对比学习以增强模型的嵌入质量并保护训练图数据的隐私。通过在八个真实图分类数据集上比较十二种不同方法，验证了所提方法的效用和隐私性。与最先进方法相比，RGLC方法在30%噪声标签率下分别实现了最高7.8%和最低0.8%的性能提升，并将隐私攻击的准确率降低至60%以下。
引用
@article{arxiv.2406.07314,
title = {Rethinking the impact of noisy labels in graph classification: A utility and privacy perspective},
author = {De Li and Xianxian Li and Zeming Gan and Qiyu Li and Bin Qu and Jinyan Wang},
journal= {arXiv preprint arXiv:2406.07314},
year = {2024}
}