論文の概要: RANA: Robust Active Learning for Noisy Network Alignment

• arxiv url: http://arxiv.org/abs/2507.22434v1
• Date: Wed, 30 Jul 2025 07:26:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.058667
• Title: RANA: Robust Active Learning for Noisy Network Alignment
• Title（参考訳）: RANA: ノイズの多いネットワークアライメントのためのロバストなアクティブラーニング
• Authors: Yixuan Nan, Xixun Lin, Yanmin Shang, Zhuofan Li, Can Zhao, Yanan Cao,
• Abstract要約: ノイズの多いネットワークアライメントのためのロバスト能動学習フレームワークであるRANAを提案する。 RANAは、アンカーリンクアノテーションの幅に対処しながら、構造ノイズとラベルノイズの両方に効果的に取り組む。 RANAはアライメント精度において最先端の能動的学習法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 15.699177589917044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network alignment has attracted widespread attention in various fields. However, most existing works mainly focus on the problem of label sparsity, while overlooking the issue of noise in network alignment, which can substantially undermine model performance. Such noise mainly includes structural noise from noisy edges and labeling noise caused by human-induced and process-driven errors. To address these problems, we propose RANA, a Robust Active learning framework for noisy Network Alignment. RANA effectively tackles both structure noise and label noise while addressing the sparsity of anchor link annotations, which can improve the robustness of network alignment models. Specifically, RANA introduces the proposed Noise-aware Selection Module and the Label Denoising Module to address structural noise and labeling noise, respectively. In the first module, we design a noise-aware maximization objective to select node pairs, incorporating a cleanliness score to address structural noise. In the second module, we propose a novel multi-source fusion denoising strategy that leverages model and twin node pairs labeling to provide more accurate labels for node pairs. Empirical results on three real-world datasets demonstrate that RANA outperforms state-of-the-art active learning-based methods in alignment accuracy. Our code is available at https://github.com/YXNan0110/RANA.
• Abstract（参考訳）: ネットワークアライメントは様々な分野で広く注目を集めている。 しかし,既存の研究の大部分は,ネットワークアライメントにおけるノイズの問題を克服しつつ,ラベルの疎性の問題に重点を置いているため,モデル性能を著しく損なう可能性がある。 このようなノイズは、主にノイズの多いエッジからの構造ノイズと、人為的およびプロセス駆動的エラーによるラベリングノイズを含む。 これらの問題に対処するため,ノイズの多いネットワークアライメントのためのロバストアクティブ学習フレームワークであるRANAを提案する。 RANAは、アンカーリンクアノテーションの空間性に対処しながら、構造ノイズとラベルノイズの両方に効果的に取り組み、ネットワークアライメントモデルの堅牢性を向上させることができる。 具体的には、構造ノイズとラベリングノイズに対処するために、RANAが提案するノイズ対応選択モジュールとラベルDenoising Moduleを導入している。 最初のモジュールでは,ノイズを考慮した最大化目標をノードペアの選択に設計し,クリーンネススコアを組み込んで構造ノイズに対処する。 第2のモジュールでは,モデルとツインノードペアのラベル付けを活用して,より正確なノードペアのラベルを提供する,新しいマルチソース・フュージョン・デノベーション・ストラテジーを提案する。 3つの実世界のデータセットに対する実証的な結果から、RANAは最先端の能動的学習法よりも精度が高いことが示された。 私たちのコードはhttps://github.com/YXNan0110/RANA.comで公開されています。

関連論文リスト

• ROG$_{PL}$: Robust Open-Set Graph Learning via Region-Based Prototype Learning [52.60434474638983]
  本稿では,複雑な雑音グラフデータに対する堅牢なオープンセット学習を実現するために,ROG$_PL$という統一フレームワークを提案する。 このフレームワークは2つのモジュール、すなわちラベルの伝搬による認知と、リージョンによるオープンセットのプロトタイプ学習で構成されている。 我々の知る限り、ROG$_PL$は複雑なノイズを持つグラフデータに対して、最初の堅牢なオープンセットノード分類法である。
  論文  参考訳（メタデータ） (2024-02-28T17:25:06Z)
• CSGNN: Conquering Noisy Node labels via Dynamic Class-wise Selection [45.83801634434111]
  CSGNNと呼ばれるグラフニューラルネットワークのための新しいクラスワイズ選択法を提案する。 クラス不均衡問題に対処するため,クリーンノードの識別にクラスタリング手法を活用する動的クラスワイズ選択機構を導入する。 暗記効果の概念に基づくノイズラベルの問題を軽減するため、CSGNNはノイズラベルよりもクリーンノードからの学習を優先する。
  論文  参考訳（メタデータ） (2023-11-20T00:57:30Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Towards Robust Few-shot Point Cloud Semantic Segmentation [57.075074484313]
  ショットポイントのクラウドセマンティックセグメンテーションは、少数のサポートセットのサンプルだけで、新しい見えないクラスに迅速に適応するようにモデルをトレーニングすることを目的としている。 本稿では,識別的特徴表現を学習するためのコンポーネントレベルクリーンノイズ分離(CCNS)表現学習を提案する。 また,MDNS(Multi-scale Degree-based Noise Suppression)方式を提案する。
  論文  参考訳（メタデータ） (2023-09-20T11:40:10Z)
• Training Classifiers that are Universally Robust to All Label Noise Levels [91.13870793906968]
  ディープニューラルネットワークは、ラベルノイズの存在下で過度に適合する傾向がある。 ポジティヴ・アンラベルラーニングの新たなサブカテゴリを取り入れた蒸留ベースのフレームワークを提案する。 我々の枠組みは概して中～高騒音レベルにおいて優れています。
  論文  参考訳（メタデータ） (2021-05-27T13:49:31Z)
• GANs for learning from very high class conditional noisy labels [1.6516902135723865]
  我々は、GAN(Generative Adversarial Networks)を用いて、バイナリ分類のためのクラス条件付きラベルノイズ(CCN)ロバストなスキームを設計する。 まず、ノイズラベル付きデータと0.1%または1%クリーンラベルから正しいラベル付きデータポイントのセットを生成する。
  論文  参考訳（メタデータ） (2020-10-19T15:01:11Z)
• Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
  本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。 AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。 実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T15:40:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。