PulseAugur
中
实时 11:01:03
English(EN) Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction

新方法解决图神经网络中的带噪标签问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为ICGNN的新方法，以提高图神经网络（GNNs）在处理带噪标签时的鲁棒性。该方法利用一种新颖的噪声指示器——源自图扩散的影响冲突分数（ICS）——来识别潜在的错误标记节点。然后，采用高斯混合模型进行精确的噪声检测，并采用软策略利用邻居节点预测来纠正这些标签。该方法还结合了伪标签技术，以增强无标签节点的监督信号。实验证明了其在现有基线上的有效性。 AI

影响 通过解决数据质量问题，提高了GNNs在实际应用中的可靠性。

排序理由 这是一篇详细介绍改进GNNs新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wei Ju, Wei Zhang, Siyu Yi, Zhengyang Mao, Yifan Wang, Jingyang Yuan, Zhiping Xiao, Ziyue Qiao, Ming Zhang ·

    Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction

    arXiv:2601.17469v2 Announce Type: replace Abstract: Graph Neural Networks (GNNs) have shown remarkable capabilities in learning from graph-structured data with various applications such as social analysis and bioinformatics. However, the presence of label noise in real scenarios …

相关实体

相关话题