一种利用邻域标签分布的抗标签噪声图数据算法
A Label Noise Robust Algorithm for Graph Data using Neighborhood Label Distribution
精选理由
通过邻域标签熵识别并修复噪声节点，提升图数据分类准确率，同时显著降低计算开销。
AI 摘要
arXiv:2610.22998v1 公告类型：新摘要：图卷积网络（GCNs）在图结构数据上展现出了卓越的性能。然而，其成功高度依赖于干净标签的可用性，而这一假设在现实场景中往往难以成立。GCNs的可学习性与节点的邻域结构内在相关，因此，理解该结构在存在标签噪声时如何变化至关重要。在本研究中，我们探讨了标签噪声下节点邻域标签分布的变化。通过数学推导，我们发现标签噪声会使该分布趋于平滑，从而内在地增加其熵，并严重降低类间可区分性。为应对这一挑战，我们提出Leave-one-out Entropy Node Screening（LENS），这是一种端到端框架，通过衡量移除特定节点后邻域熵的降低程度来识别噪声节点。LENS进一步引入了重新标注机制，以恢复并保留有价值的特征信息，而不是完全丢弃所识别出的噪声节点。值得注意的是，LENS的端到端计算开销极低。大量评估表明，我们的算法在节点分类准确率方面达到了最先进水平，同时其执行速度比现有的抗噪方法快一个数量级。