論文の概要: A Label Noise Robust Algorithm for Graph Data using Neighborhood Label Distribution

• arxiv url: http://arxiv.org/abs/2610.22998v1
• Date: Fri, 16 Oct 2026 06:22:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.794174
• Title: A Label Noise Robust Algorithm for Graph Data using Neighborhood Label Distribution
• Title（参考訳）: 周辺ラベル分布を用いたグラフデータのラベルノイズロバストアルゴリズム
• Abstract要約: ラベルノイズ下でのノードの近傍ラベル分布の変化について検討する。 ノイズノードを識別するエンドツーエンドフレームワークであるLeave-one-out Entropy Node Screening (LENS)を提案する。 LENSは、既存のノイズロバストアプローチよりも桁違いに高速に実行しながら、最先端のノード分類精度を実現する。
• 参考スコア（独自算出の注目度）: 0.40685993323777997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Convolutional Networks (GCNs) have demonstrated exceptional performance on graph-structured data. However, their success heavily relies on the availability of clean labels, an assumption that often fails in real-world scenarios. The learnability of GCNs is intrinsically linked to the neighborhood structure of nodes, making it critical to understand how this structure changes in the presence of label noise. In this work, we investigate how the neighborhood label distribution of a node changes under label noise. We mathematically derive that label noise smooths this distribution, which inherently increases its entropy and severely decreases interclass distinguishability. To address this challenge, we propose Leave-one-out Entropy Node Screening (LENS), an end-to-end framework that identifies noisy nodes by measuring the reduction in neighborhood entropy when a specific node is removed. LENS further incorporates a relabeling mechanism to recover and preserve valuable feature information instead of entirely discarding the identified noisy nodes. Crucially, the end-to-end computational overhead of LENS is remarkably low. Extensive evaluations demonstrate that our algorithm achieves state-of-the-art node classification accuracy while executing an order of magnitude faster than existing noise-robust approaches.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)はグラフ構造化データに対して例外的な性能を示した。 しかし、彼らの成功はクリーンなラベルの可用性に大きく依存している。 GCNの学習性は本質的にノードの近傍構造と結びついており、この構造がラベルノイズの存在によってどのように変化するかを理解することが重要である。 本研究では,ノードの近傍ラベル分布がラベルノイズの下でどのように変化するかを検討する。 この分布は本質的にエントロピーを増大させ,クラス間の識別性を著しく低下させる。 この課題に対処するため,特定のノードが削除されたときの近傍のエントロピーの減少を測定し,ノイズを識別するエンドツーエンドのフレームワークであるLeave-one-out Entropy Node Screening (LENS)を提案する。 LENSはさらに、識別されたノイズノードを完全に破棄する代わりに、価値ある特徴情報を復元および保存するためのレザベリング機構を組み込んでいる。 重要なことに、LENSのエンドツーエンドの計算オーバーヘッドは著しく低い。 大規模評価の結果,提案アルゴリズムは従来のノイズロバスト手法よりも桁違いに高速に実行しながら,最先端のノード分類精度を実現していることがわかった。

関連論文リスト

• Identifying and Correcting Label Noise for Robust GNNs via Influence Contradiction [25.627750818623884]
  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。
  論文  参考訳（メタデータ） (2026-01-24T14:07:07Z)
• Nested Graph Pseudo-Label Refinement for Noisy Label Domain Adaptation Learning [26.926061463569567]
  Nested Graph Pseudo-Label Refinement (NeGPR)は、ノイズラベルによるグラフレベルのドメイン適応に適した、新しいフレームワークである。 NeGPRは、厳密なラベルノイズ下での最先端の手法を一貫して上回り、最大12.7%の精度を達成している。
  論文  参考訳（メタデータ） (2025-08-01T15:32:40Z)
• EDN: A Novel Edge-Dependent Noise Model for Graph Data [0.2812395851874055]
  エッジ依存ノイズ(EDN)はノードラベルノイズモデルの制限に対処する。 EDNは、実世界のシナリオでは、ラベルノイズはノード間の接続に影響される可能性があると仮定している。 EDNの2つの変種は、グラフニューラルネットワーク(GNN)と既存のノイズロバストアルゴリズムの両方において、より優れた性能低下をもたらすことを示す。
  論文  参考訳（メタデータ） (2025-06-13T00:05:00Z)
• 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)
• 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)
• Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
  本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。 提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:08Z)
• Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method [114.48708191371524]
  グラフ畳み込みネットワーク(GCN)は情報検索(IR)アプリケーションのための新興技術である。 この研究は、ほとんど精査されていないテストノードの局所的な構造差に焦点を当てている。 本稿では,GCNの動作メカニズムを因果グラフを用いて解析し,ノードの局所構造による因果効果を推定する。
  論文  参考訳（メタデータ） (2020-10-22T15:21:47Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• 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)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。