面向真实世界图的弱监督
机器学习
2025-06-04 v1
摘要
真实世界图中的节点分类常面临标签稀缺和噪声问题，在人口贩卖检测和虚假信息监测等高风险领域尤为如此。尽管直接监督有限，这类图通常包含弱信号，即噪声或间接线索，仍能为学习提供信息。我们提出了 WSNET，一种新颖的弱监督图对比学习框架，利用这些弱信号来引导鲁棒的表示学习。WSNET 通过专为弱标记数据定制的对比目标，融合了图结构、节点特征和多个噪声监督源。在三个真实世界数据集和具有可控噪声的合成基准上，WSNET 的 F1 分数比最先进的对比学习和噪声标签学习方法高出 15%。我们的结果突出了弱监督下对比学习的有效性，以及在图场景中利用不完美标签的潜力。
引用
@article{arxiv.2506.02451,
title = {Weak Supervision for Real World Graphs},
author = {Pratheeksha Nair and Reihaneh Rabbany},
journal= {arXiv preprint arXiv:2506.02451},
year = {2025}
}