Fugu-MT 論文翻訳(概要): Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction

論文の概要: Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction

arxiv url: http://arxiv.org/abs/2601.17469v1
Date: Sat, 24 Jan 2026 14:07:07 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-27 15:23:07.801306
Title: Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction
Title（参考訳）: 影響コントラクションによるロバストGNNのラベルノイズの同定と補正
Authors: Wei Ju, Wei Zhang, Siyu Yi, Zhengyang Mao, Yifan Wang, Jingyang Yuan, Zhiping Xiao, Ziyue Qiao, Ming Zhang,
Abstract要約: 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から学習する際、顕著な能力を示している。実シナリオにおけるラベルノイズの存在は、堅牢なGNNを学ぶ上で大きな課題となる。ノイズラベルがもたらす課題を効果的に緩和するために,グラフの構造情報を活用する ICGNN という新しい手法を提案する。
参考スコア（独自算出の注目度）: 25.627750818623884
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
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 poses a significant challenge in learning robust GNNs, and their effectiveness can be severely impacted when dealing with noisy labels on graphs, often stemming from annotation errors or inconsistencies. To address this, in this paper we propose a novel approach called ICGNN that harnesses the structure information of the graph to effectively alleviate the challenges posed by noisy labels. Specifically, we first design a novel noise indicator that measures the influence contradiction score (ICS) based on the graph diffusion matrix to quantify the credibility of nodes with clean labels, such that nodes with higher ICS values are more likely to be detected as having noisy labels. Then we leverage the Gaussian mixture model to precisely detect whether the label of a node is noisy or not. Additionally, we develop a soft strategy to combine the predictions from neighboring nodes on the graph to correct the detected noisy labels. At last, pseudo-labeling for abundant unlabeled nodes is incorporated to provide auxiliary supervision signals and guide the model optimization. Experiments on benchmark datasets show the superiority of our proposed approach.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ソーシャル分析やバイオインフォマティクスといった様々な応用を用いて、グラフ構造化データから学習する際、顕著な能力を示している。しかし、実シナリオにおけるラベルノイズの存在は、堅牢なGNNを学習する上で大きな課題となり、その効果は、しばしばアノテーションの誤りや矛盾から生じる、グラフ上のノイズの多いラベルを扱う際に大きく影響する可能性がある。そこで本研究では,このグラフの構造情報を利用して,ノイズラベルによる課題を効果的に緩和するICGNNという手法を提案する。具体的には、まず、グラフ拡散行列に基づいて影響矛盾スコア(ICS)を測定する新しいノイズインジケータを設計し、クリーンラベルを用いたノードの信頼性を定量化する。次に,ガウス混合モデルを用いて,ノードのラベルがノイズであるか否かを正確に検出する。さらに,検出された雑音ラベルを補正するために,グラフ上の隣接ノードからの予測を組み合わせるソフト戦略を開発した。最終的に、豊富な未ラベルノードに対する擬似ラベルが組み込まれ、補助的な監視信号を提供し、モデルの最適化を導く。ベンチマークデータセットの実験は、提案手法の優位性を示している。

関連論文リスト

DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise [53.55187452152358]
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。
論文参考訳（メタデータ） (2026-01-24T12:54:18Z)
Graph Neural Networks with Coarse- and Fine-Grained Division for Mitigating Label Sparsity and Noise [5.943641527857957]
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の処理において,半教師付き学習タスクにおいて注目されている。現実のシナリオでは、グラフのノード上のラベルは必然的に騒々しく、わずかにラベル付けされているため、GNNのパフォーマンスは著しく低下する。 GNN-CFGD は,粗い分割やきめ細かな分割によるノイズラベルの負の影響を低減し,グラフ再構成を行う。
論文参考訳（メタデータ） (2024-11-06T08:21:26Z)
ERASE: Error-Resilient Representation Learning on Graphs for Label Noise Tolerance [53.73316938815873]
本稿では, ERASE (Error-Resilient representation learning on graphs for lAbel noiSe tolerancE) という手法を提案する。 ERASEは、プロトタイプの擬似ラベルとプロパゲーションされた識別ラベルを組み合わせて、表現をエラーレジリエンスで更新する。提案手法は, 広い雑音レベルにおいて, 複数のベースラインをクリアマージンで上回り, 高いスケーラビリティを享受できる。
論文参考訳（メタデータ） (2023-12-13T17:59:07Z)
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)
BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文参考訳（メタデータ） (2023-07-28T00:44:57Z)
Learning on Graphs under Label Noise [5.909452203428086]
我々は,ラベルノイズのあるグラフ上での学習問題を解決するために,CGNN(Consistent Graph Neural Network)と呼ばれる新しいアプローチを開発した。具体的には、グラフの対比学習を正規化用語として採用し、拡張ノードの2つのビューが一貫した表現を持つように促進する。グラフ上の雑音ラベルを検出するために,ホモフィリー仮定に基づくサンプル選択手法を提案する。
論文参考訳（メタデータ） (2023-06-14T01:38:01Z)
Robust Training of Graph Neural Networks via Noise Governance [27.767913371777247]
グラフニューラルネットワーク(GNN)は、半教師付き学習のモデルとして広く使われている。本稿では,グラフノード上のラベルがうるさいだけでなく,難易度も低い重要なシナリオについて考察する。本稿では,ラベルノイズを明示的に制御する学習により,ロバスト性を向上する新しいRTGNNフレームワークを提案する。
論文参考訳（メタデータ） (2022-11-12T09:25:32Z)
Informative Pseudo-Labeling for Graph Neural Networks with Few Labels [12.83841767562179]
グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類のための最先端の結果を得た。非常に少数のレーベルでGNNを効果的に学習する方法の課題は、まだ解明されていない。我々は、非常に少ないラベルを持つGNNの学習を容易にするために、InfoGNNと呼ばれる新しい情報的擬似ラベルフレームワークを提案する。
論文参考訳（メタデータ） (2022-01-20T01:49:30Z)
NRGNN: Learning a Label Noise-Resistant Graph Neural Network on Sparsely and Noisily Labeled Graphs [20.470934944907608]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフ上の半教師付き学習タスクに対して,有望な結果を得た。多くの実世界のグラフはスパースでノイズの多いラベルが付けられており、GNNの性能を著しく低下させる可能性がある。半教師付きノード分類のためのラベルノイズ耐性GNNを提案する。
論文参考訳（メタデータ） (2021-06-08T22:12:44Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)

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。