論文の概要: DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise

• arxiv url: http://arxiv.org/abs/2601.17449v1
• Date: Sat, 24 Jan 2026 12:54:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.739063
• Title: DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise
• Title（参考訳）: DREAM: ラベルノイズを伴うグラフ学習のための動的最適化によるデュアルスタンダードセマンティック均一性
• Authors: Yusheng Zhao, Jiaye Xie, Qixin Zhang, Weizhi Zhang, Xiao Luo, Zhiping Xiao, Philip S. Yu, Ming Zhang,
• Abstract要約: 本稿では,ラベル付きグラフ上での信頼度,関係インフォームド最適化のためのDREAM(Dual-Standard Semantic Homogeneity with Dynamic Optimization)を提案する。 具体的には、グラフ内の各ラベル付きノードの信頼性を反復的に再評価するリレーショナルインフォームド動的最適化フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 53.55187452152358
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph neural networks (GNNs) have been widely used in various graph machine learning scenarios. Existing literature primarily assumes well-annotated training graphs, while the reliability of labels is not guaranteed in real-world scenarios. Recently, efforts have been made to address the problem of graph learning with label noise. However, existing methods often (i) struggle to distinguish between reliable and unreliable nodes, and (ii) overlook the relational information embedded in the graph topology. To tackle this problem, this paper proposes a novel method, Dual-Standard Semantic Homogeneity with Dynamic Optimization (DREAM), for reliable, relation-informed optimization on graphs with label noise. Specifically, we design a relation-informed dynamic optimization framework that iteratively reevaluates the reliability of each labeled node in the graph during the optimization process according to the relation of the target node and other nodes. To measure this relation comprehensively, we propose a dual-standard selection strategy that selects a set of anchor nodes based on both node proximity and graph topology. Subsequently, we compute the semantic homogeneity between the target node and the anchor nodes, which serves as guidance for optimization. We also provide a rigorous theoretical analysis to justify the design of DREAM. Extensive experiments are performed on six graph datasets across various domains under three types of graph label noise against competing baselines, and the results demonstrate the effectiveness of the proposed DREAM.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、さまざまなグラフ機械学習シナリオで広く使用されている。 既存の文献では、ラベルの信頼性は現実のシナリオでは保証されないが、よく注釈付けされたトレーニンググラフが前提となっている。 近年,ラベルノイズによるグラフ学習の課題に対処する努力が試みられている。 しかし、既存の方法はしばしば (i)信頼できないノードと信頼できないノードを区別するのに苦労し、 (ii) グラフトポロジーに埋め込まれた関係情報を見渡す。 そこで本稿では,ラベルノイズのあるグラフに対して,DREAM(Dual-Standard Semantic Homogeneity with Dynamic Optimization)という新しい手法を提案する。 具体的には、対象ノードと他のノードの関係に応じて、最適化プロセス中にグラフ内のラベル付きノードの信頼性を反復的に再評価するリレーショナルインフォームド動的最適化フレームワークを設計する。 この関係を包括的に測定するために、ノード近接とグラフトポロジの両方に基づいてアンカーノードの集合を選択するデュアルスタンダード選択戦略を提案する。 その後、ターゲットノードとアンカーノード間の意味的均一性を計算し、最適化のためのガイダンスとして機能する。 DREAMの設計を正当化するための厳密な理論的分析も提供する。 3種類のグラフラベルノイズと競合するベースラインによる6つのグラフデータセットに対して実験を行い,提案したDREAMの有効性を実証した。

関連論文リスト

• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Robust Graph Matching Using An Unbalanced Hierarchical Optimal Transport Framework [30.05543844763625]
  本稿では,不均衡な階層的最適輸送フレームワークに基づく,新しい頑健なグラフマッチング手法を提案する。 グラフマッチングにおいて、クロスモーダルアライメントを利用するための最初の試みを行う。 様々なグラフマッチングタスクの実験は、最先端の手法と比較して、我々の手法の優越性と堅牢性を示している。
  論文  参考訳（メタデータ） (2023-10-18T16:16:53Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。