論文の概要: Particle Competition and Cooperation for Robust Graph Convolutional Network Learning Under Label Noise

• arxiv url: http://arxiv.org/abs/2609.22053v1
• Date: Fri, 18 Sep 2026 17:46:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.227949
• Title: Particle Competition and Cooperation for Robust Graph Convolutional Network Learning Under Label Noise
• Title（参考訳）: ラベル雑音下でのロバストグラフ畳み込みネットワーク学習のための粒子競合と協調
• Abstract要約: 本研究は、GCNトレーニング前のグラフベースのラベルリファインメントステージであるPCC+GCNを提案する。 PCCは粒子支配ダイナミクスを通じて不審なラベル付きノードを特定する。 フレームワークはまた、PCCが使用するグラフを機能ベースの$k$-nearest-neborエッジで拡張することを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph Convolutional Networks (GCNs) are highly sensitive to label noise, since corrupted supervision can propagate through the graph and degrade learned node representations. This work proposes PCC+GCN, a hybrid framework that uses Particle Competition and Cooperation (PCC) as a graph-based label-refinement stage before GCN training. PCC identifies suspicious labeled nodes through particle domination dynamics and determines whether their labels should be preserved, removed, or reassigned before GCN training. The framework also allows the graph used by PCC to be augmented with feature-based $k$-nearest-neighbor edges, while the GCN itself is trained on the original graph structure and node features. The proposed method was evaluated on ten graph datasets from the NoisyGL benchmark under conventional Uniform, Pair, and Random label noise, as well as under instance-dependent label noise. A detailed hyperparameter analysis was also conducted on Cora, CiteSeer, and PubMed. Under conventional noise, PCC+GCN achieved the highest overall average accuracy and the best average rank among the evaluated methods, with an average gain of $1.67$ percentage points over the baseline GCN across the clean setting and all noisy scenarios. Under instance-dependent noise, PCC+GCN remained competitive with the best-performing robust methods while requiring substantially lower execution time, being the fastest robust method on eight of the ten datasets. The results indicate that PCC-based label refinement provides an effective and computationally efficient preprocessing strategy for improving GCN robustness under noisy supervision.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)はラベルノイズに非常に敏感である。 本研究は,PCC+GCNをグラフベースのラベルリファインメントステージとして用いたPCC+GCNを提案する。 PCCは、疑わしいラベル付きノードをパーティクル・ドミネーション・ダイナミクスを通じて識別し、GCNトレーニングの前にラベルを保存、削除、または再割り当てするかどうかを決定する。 フレームワークはまた、PCCが使用するグラフを機能ベースの$k$-nearest-neborエッジで拡張することを可能にし、GCN自体が元のグラフ構造とノード機能に基づいてトレーニングされている。 提案手法は,従来のUniform,Pair,Randomのラベルノイズとインスタンス依存のラベルノイズに基づいて,NoisyGLベンチマークから10個のグラフデータセットを用いて評価した。 また,Cora,CiteSeer,PubMedについても詳細なハイパーパラメータ解析を行った。 従来のノイズの下では、PCC+GCNは評価手法の中で最高の総合的な平均精度と最高の平均ランクを達成し、クリーンな設定と全てのノイズシナリオでベースラインGCNよりも平均1.67ドルポイント上昇した。 インスタンス依存ノイズの下では、PCC+GCNは最もパフォーマンスのよいロバストな手法と競合し続けたが、実行時間が大幅に短縮され、10つのデータセットのうち8つで最速のロバストな手法となった。 以上の結果から,PCCをベースとしたラベルリファインメントは,GCNの堅牢性向上に有効かつ効率的な前処理戦略を提供することが示された。

関連論文リスト

• PLGC: Pseudo-Labeled Graph Condensation [11.1647744418267]
  大きなグラフデータセットは、グラフニューラルネットワーク(GNN)のトレーニングを計算にコストがかかる。 既存のアプローチはクリーンで教師付きラベルに依存しており、ラベルが乏しい、うるさい、一貫性のないときに信頼性を制限する。 Pseudo-Labeled Graph Condensation (PLGC)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T13:02:31Z)
• 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)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• Unified Robust Training for Graph NeuralNetworks against Label Noise [12.014301020294154]
  半監督設定でノイズの多いラベルをグラフ上で学習するための新しいフレームワークである UnionNET を提案します。 提案手法は,GNNを頑健に訓練し,ラベル修正を同時に行うための統一的なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-03-05T01:17:04Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• 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)
• Investigating and Mitigating Degree-Related Biases in Graph Convolutional Networks [62.8504260693664]
  グラフ畳み込みネットワーク(GCN)は、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示す。 本稿では,ノード次数分布に関するGCNを解析する。 本稿では,GCNの次数バイアスを緩和する自己監督型DegreeSpecific GCN(SL-DSGC)を開発した。
  論文  参考訳（メタデータ） (2020-06-28T16:26:47Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。