站内快照 · 国内可打开。外网原文可能无法访问。
- 论文公开站arXiv
粒子竞争与合作：标签噪声下鲁棒图卷积网络学习
Particle Competition and Cooperation for Robust Graph Convolutional Network Learning Under Label Noise
摘要显示，该工作提出PCC+GCN混合框架，在GCN训练前用粒子竞争与合作（PCC）作为基于图的标签精炼阶段，通过粒子支配动态识别可疑标注节点，并决定保留、删除或重新分配其标签；PCC所用图可加入特征k近邻边，而GCN仍在原始图结构上训练。在NoisyGL基准的十个图数据集上，常规均匀、Pair、随机噪声及实例相关噪声下，该方法取得最高平均准确率与最佳平均排名，较基线GCN平均提升1.67个百分点，并在十个数据集中八个上为最快鲁棒方法。
意义：为标签噪声下的图神经网络训练提供即插即用的标签精炼前置模块，兼顾精度与速度，对噪声标注场景的GCN落地有参考价值。