研究人员开发了 DeGLIF，这是一种旨在通过解决数据集中的标签噪声来提高图神经网络 (GNN) 节点分类准确性的新技术。该方法利用留一法影响函数来近似移除单个训练点对模型参数和验证损失的影响。DeGLIF 采用理论驱动的重新标记函数来去除训练数据中的噪声，而无需预先了解噪声模型或噪声水平。实验结果表明，DeGLIF 在准确性方面优于现有的基线算法。 AI
影响 该方法可以提高在现实世界中可能存在噪声的数据集上训练的基于图的人工智能模型的可靠性。
排序理由 该集群包含一篇 arXiv 预印本论文，详细介绍了一种用于图神经网络的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
