投稿获客
广告
广告 广告 广告
广告 广告 广告 广告
广告 █ 推荐【菠萝云】香港16G内存99元 【CDNCloud】极速、安全可靠的加速体验 广告位联系QQ：253000106 【UStat】免费网站统计平台 SSL证书低至2折 单域名36元起 免费测试！海总一手APK免杀处理 广告位联系QQ：253000106 CDN 服务器 反炸 劫持 域名屏蔽 【UStat】专业网站统计平台 域名注册：海量域名快速注册 安卓免杀 谷歌报毒 封装 苹果签名 广告位联系QQ：253000106 【域名被劫持污染如何处理】 安卓免杀★超级签★封装★谷歌屏蔽 广告位联系QQ：253000106

*本站广告为第三方投放，如发生纠纷，请向本站索取第三方联系方式沟通

  1. 创想鸟首页
  2. 科技

NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源

程序猿 • • 科技 • 阅读 5
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源

aixiv专栏是本站发布学术、技术内容的栏目。过去数年，本站aixiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

多年来，浙江大学周晟老师团队与阿里安全交互内容安全团队持续开展产学研合作。近日，双⽅针对标签噪声下图神经⽹络的联合研究成果《NoisyGL：标签噪声下图神经网络的综合基准》被 NeurIPS Datasets and Benchmarks Track 2024 收录。本次 NeurIPS D&B Track 共收到 1820 篇投稿，录⽤率为 25.3%。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源

论文标题：NoisyGL: A Comprehensive Benchmark for Graph Neural Networks under Label Noise

论文地址：https://arxiv.org/pdf/2406.04299

存了个图 存了个图

视频图片解析/字幕/剪辑，视频高清保存/图片源图提取

存了个图 17 查看详情 存了个图

项目地址：https://github.com/eaglelab-zju/NoisyGL

图神经网络（GNNs）在节点分类任务中通过消息传递机制展现了强大的表示力。然而，它们的性能往往依赖于⾼质量的节点标签。在现实世界中，由于不可靠的来源或对抗性攻击，节点标签中通常存在噪声。不过，目前针对该领域缺乏⼀个综合的基准。
为填补这⼀空白，本文提出了 NoisyGL 方法，这是第⼀个针对标签噪声下图神经⽹络的综合基准。NoisyGL 使⽤统⼀的实验设置和接⼝，可以在具有不同性质的图数据上对不同⽅法的抗噪性能进⾏公平比较和多⻆度分析。此外，NoisyGL 也是⼀个可扩展且易于使⽤的 GLN 框架，便于后续的研究者跟进。
本⽂亮点包括如下：
提出了 NoisyGL，第⼀个针对标签噪声下的图神经⽹络的综合基准库。
通过⼤量的实验，针对标签噪声下的图神经⽹络提出了⼀些重要的见解。
为标签噪声下的图神经⽹络提供了⼏点未来的发展⽅向。
⼀、研究背景
许多现实世界中的复杂系统可以表示为图结构数据，包括引⽂网络、⽣物网络、交通网络和社交网络。图神经网络（GNNs）通过消息传递机制（Message passing mechanism）聚合邻域节点的信息，在建模图数据方⾯表现出了显著的优势。在 GNNs 的众多应⽤中，节点分类是研究最为深入的任务之⼀。通常在节点分类任务中，GNNs 以半监督的模式进⾏训练。
尽管图神经网络取得了成功，但它们在半监督图学习任务中的表现高度依赖于精确的节点标签，而在现实世界中，精确的标签很难获得。例如，对于在线社交⽹络，手动标记数百万⽤户的过程成本⾼昂，因此⽤户的标签通常依赖于⽤户⾃⼰的标注，这些标注通常是不可靠的。
此外，图数据容易受到对抗性标签翻转攻击的影响。因此，标签噪声在图数据中普遍存在。研究表明，标签噪声会显著降低机器学习模型在计算机视觉和自然语⾔处理场景中的泛化能力。在 GNNs 中，消息传递机制可能会通过传播错误的监督信息，从而进⼀步加剧这种负⾯影响。
为了在带标签噪声的图数据上实现稳健学习，⼀个直观的解决方案是借鉴以往标签噪声学习（LLN）策略的成功经验，并将其应⽤于图神经网络。然而，由于图数据并不具有独立同分布性质、节点标签的稀疏性以及 GNNs 的消息传递机制，这些 LLN 方法并不总是适⽤于图学习任务。在这个背景下，标签噪声下的图神经⽹络（GNNs under Label Noise, GLN）研究最近受到了关注。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
然而，由于数据集选择、数据分割和预处理技术的差异，⽬前 GLN 领域缺乏⼀个综合的基准，这阻碍了对该领域的深⼊理解和进⼀步发展。
⼆、论文摘要
图神经网络（GNNs）通过消息传递机制在节点分类任务中表现出强大的潜力。然而，它们的性能往往依赖于⾼质量的节点标签。在现实任务中，由于不可靠的来源或对抗性攻击，准确的节点标签很难获得。因此，标签噪声在现实世界的图数据中很常见。噪声标签会在训练过程中传播错误信息，从而对 GNNs 产生负⾯影响。
为了解决这个问题，标签噪声下的图神经网络（GNNs under Label Noise, GLN）的研究最近受到了关注。然而，由于数据集选择、数据划分和预处理技术的差异，社区⽬前缺乏⼀个全面的基准，这阻碍了对 GLN 的深入理解和进⼀步发展。为填补这⼀空⽩，我们在本⽂中介绍了 NoisyGL，这是第⼀个针对标签噪声下图神经网络的全⾯基准。NoisyGL 在各种数据集上，通过统⼀的实验设置和接口，实现了对 GLN 方法的公平比较和详细分析。我们的基准揭示了之前研究中遗漏的几个重要⻅解，相信这些发现对未来的研究将非常有益。同时也希望我们的开源基准库 NoisyGL 能促进该领域的进⼀步发展。
三、方案解读
1、问题定义
考虑⼀个图NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，其中 V 是包含所有 N 个节点的集合，NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源是边的集合。NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源是邻接矩阵，NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源表示节点特征矩阵，特征的维度为 d 。每个节点都有⼀个真实标签，真实标签集合表示为NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源。
在这项⼯作中，我们关注半监督节点分类问题，其中只有⼀小部分节点NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源被分配了⽤于训练过程的标签，这部分标签表示为NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，其中NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源是有标签节点的数量。其余的则是无标签节点，表示为NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源。给定 X 和 A ，节点分类的⽬标是通过最小化NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源来训练⼀个分类器NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，其中 c 是类别数量，NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源是衡量预测标签与真实标签之间差异的损失函数。NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源通常是⼀个设计良好的图神经网络。通过这种方式，根据经验风险最小化（Empirical Risk Minimization, ERM）原则，训练良好的节点分类器可以在未⻅数据NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源上实现泛化。
然而，在现实世界中，可访问的标签NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源可能会受到标签噪声的污染，从而降低图片的泛化能力。我们将噪声标签表示为NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，图片即为其对应的真实标签。
通常，我们考虑两种类型的标签噪声，以下是它们的定义：
均匀噪声（Uniform Noise）或对称噪声：假设真实标签有NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源的概率均匀地翻转到其他所有的类别。形式上，对于NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，我们有NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源，其中 c 表示类别数量。
对偶噪声（Pair Noise）或对偶翻转、⾮对称噪声：假设真实标签只能以概率 ϵ 翻转到其对应的对偶类别，而不会翻转到其他任何类别。
需要注意的是，这些噪声模型假设转移概率仅依赖于观察到的标签和真实标签，即与实例特征无关。而在现实世界中，标签噪声可能更加复杂。在这项工作中，我们关注最以上两种常用的噪声类型，将其他噪声类型留给未来的研究。
在每次实验中，我们⾸先根据给定的噪声率和噪声定义⽣成⼀个标签转移概率矩阵。然后，对于每⼀个训练集和验证集中的⼲净标签，我们根据其对应的转移概率从 Categorical distribution 中抽取⼀个噪声标签。这些噪声标签将用于后续的训练过程。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
2、数据集选择
我们选择了 8 个节点分类数据集，这些数据集在不同的图标签噪声研究中被⼴泛使⽤。这些选定的数据集来⾃不同领域，具有不同的特征，使我们能够评估现有⽅法在各种场景中的泛化能力。
具体来说，我们使用了三个经典的引⽂⽹络数据集 Cora、Citeseer、Pubmed，以及⼀个作者合作网络数据集 DBLP，还有两个代表性的产品共购网络数据集 Amazon- Computers 和 Amazon-Photo。此外，为了验证各种方法在异质图上的性能，我们使用了两个代表性的社交网络数据集 BlogCatalog 和 Flickr。对于每⼀种数据集，我们为其适配最为常用的训练 – 测试 – 验证集划分方法，以确保对各种方法进行公平比较。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
3、方法选择
我们选择了⼀系列最先进的 GLN 算法，包括 NRGNN、RTGNN、CP、D-GNN、 RCNGLN、CLNode、PIGNN、UnionNET、CGNN 和 CRGNN；以及⼀组设计良好的 LLN 方法，包括两种损失修正方法 Forward Correction 和 Backward Correction、两种稳健损失函数 APL 和 SCE、两种多网络学习方法 Coteaching 和 JoCoR，以及⼀种噪声适应层方法 S- model。并根据它们的论⽂和源代码严格地复现了所有⽅法。
4、期望研究的问题
在这项工作中，我们旨在回答以下问题：
RQ1：LLN ⽅法能否直接应⽤于图学习任务？
动机：尽管最近的研究表明，直接将传统的标签噪声下的学习（Learning with Label Noise, LLN）⽅法应用于图学习任务可能不会产⽣最佳结果，但⽬前对这⼀问题仍然缺乏全⾯的分析。因此，我们希望调查现有 LLN ⽅法对图学习的适⽤性并理解其背后的原因。通过研究这个问题，我们可以更清楚地了解图标签噪声带来的独特挑战，并确定哪些 LLN 技术在图学习环境中仍然有效。
实验设计：我们选择了在前文中提到的 7 种 LLN 方法，并以 GCN 作为骨干模型实现这些方法。然后，我们在八种具有不同性质的数据集上进行节点分类实验，评估它们在不同类型和水平的标签噪声下的有效性。对于每种方法和数据集，我们记录了 10 次运⾏的平均准确率指标和标准差。通过比较这些 LLN 方法的性能，我们可以确定额外的 LLN 方法是否增强了骨干 GCN 模型的稳健性。
RQ2: 现有的 GLN 方法取得了多大进展？
动机：尽管先前的研究提出了许多 GLN 方法，但它们使⽤了不同的数据集、数据划分和预处理技术，使得我们难以公平⽐较这些⽅法的性能。此外，我们注意到⼤多数现有⽅法是在同质图上进⾏评估的，这引发了它们在异质图上适⽤性的担忧，⽽异质图在实际中也很常⻅。通过研究这个问题，我们希望确定当前的 GLN ⽅法是否有效地解决了图标签噪声问题，并找出它们的不⾜之处。
实验设计：我们实现了前⽂中描述的 10 种先进的 GLN ⽅法，然后使⽤ 8 个具有不同性质的数据集和统⼀的实验设置评估这些⽅法的性能。对于每种⽅法和数据集，记录了 10 次运⾏的平均测试准确率和标准差。由于这些 GLN ⽅法多数基于 GCN，我们在这些⽅法的代码实现中调⽤⼀个统⼀的 GCN ⻣⼲模型，以公平地评估它们对标签噪声的稳健性。
RQ3: 现有的 GLN ⽅法计算效率如何？
动机：GLN 的计算效率对于其在现实世界中的应⽤至关重要，⽽考虑标签噪声可能会导致更⾼的计算开销。尽管先前的研究深入探讨了 GLN 方法的准确性、泛化能⼒和稳健性，但却忽略了对这些方法计算效率的研究。
实验设计：我们记录了在 30% 均匀噪声下各种方法在不同数据集上的运⾏时间和测试准确率。具体来说，对于每种方法在每个数据集上进行了 10 次实验。在每次实验中测量模型在验证集上达到最佳准确率时的时间，并将其视为该⽅法的总运行时间。通过这些实验可以评估  GLN 方法在计算效率和测试准确率之间是否达到了平衡。
RQ4：现有的 GLN ⽅法对噪声率敏感吗？
动机：之前的研究使用了不同的标签噪声率，这使得我们难以横向比较各种方法的性能。因此，有必要使用⼀组⼀致的噪声率来验证现有的 GLN 方法是否在不同噪声水平下保持稳定的性能。
实验设计：我们在相同的数据集和噪声类型下评估几种 GLN 方法在不同噪声水平下的性能。具体来说，引入了 10%、20%、30%、40% 和 50% 的标签噪声，并使⽤干净标签作为基线。随后，按照 RQ2 中描述的实验设置在这些数据集上训练并评估 GLN 方法。
RQ5：现有的 GLN ⽅法对不同类型的标签噪声下表现如何？
动机：现有的 GLN 方法是基于各种技术和假设开发的，因此在处理不同类型的噪声时，它们具有独特的优势和劣势。此外，确定哪种类型的噪声对图学习最具破坏性并理解其背后的原因是至关重要的。解决这个问题将有助于我们更好地理解每种方法的具体适⽤场景以及不同类型标签噪声的独特特性。
实验设计：我们保持 30% 的噪声率不变，并对标签应⽤均匀噪声和对偶噪声。随后，按照 RQ2 中描述的实验设置在这些噪声数据集上训练并评估 GLN 方法。
RQ6：好还是坏？重新审视图结构在标签噪声中的作⽤。
动机：额外的图结构区分了图数据和其他类型的⾮ i.i.d. 数据。而图神经⽹络的成功在很大程度上依赖于消息传递机制，该机制从图结构上的邻域节点聚合信息。然而，在存在标签噪声的情况下，沿着边传播的消息可能有双重效果：⼀方面，标签噪声通过传播错误信息对图学习产生负⾯影响；另⼀⽅⾯，它也可能通过与邻居中的多数标签对⻬来缓解这种影响。因此，至关重要的是研究额外的图结构是否会放⼤标签噪声的影响，以及现有的⽅法是否能有效解决这⼀挑战。
实验设计：我们对全部十八种方法进⾏了全面的实验，包括⼀个 GCN 基线、七种 LLN 方法和十种 GLN 方法，旨在明确图结构在标签噪声存在的情况下如何影响图学习。具体来说，我们记录了以下几个指标，包括在 30% 均匀噪声下的正确标记的训练节点的预测准确率（ACLT）、错误标记的训练节点的预测准确率（AILT）、正确监督的未标记节点的预测准确率（AUCS）、未监督的未标记节点的预测准确率（AUU）和错误监督的未标记节点的预测准确率（AUIS）。这⾥，「正确监督」、「错误监督」和「未监督」分别指的是在未标注节点的邻域中有正确标记的训练节点、错误标记的训练节点以及没有标记节点的未标记节点。
四、实验结果及分析
结论 1：大多数 LLN 方法并未显著提高 GNN 对标签噪声的稳健性（RQ1）。
实验结果显示，存在标签噪声的情况下，大多数选定的 LLN 方法并未显著提⾼ GNN 骨干的性能。大多数情况下，这些 LLN 方法的性能在统计上与基线相似。在某些情况下，应⽤额外的 LLN ⽅法甚至可能会导致更差的结果。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
三种包含噪声转移矩阵的 LLN 方法 S-model、Forward Correction 和 Backward Correction，在大多数情况下表现与基线相似。通常，这些基于转移矩阵的方法学习到的是对⻆转移矩阵，这表明由于标签的稀缺，它们未能学习正确的标签转移模式。多网络学习方法 Coteaching 和 JoCoR 在稀疏图上表现与基线相似，但在密集图上表现不佳。值得注意的是，我们发现两种稳健损失函数，主动被动损失（APL）和对称交叉熵（SCE），在⼀些数据集上略微增强了基线模型的稳健性。这种改进可能是由于它们能够减少对错误标记样本的过拟合，而它们的独⽴同分布假设则限制了这种改进的幅度。因此得出结论，仅仅将 LLN 方法应用于 GNN 并不能实现对标签噪声稳健的图学习解决⽅案。
结论 2：现有的 GLN ⽅法在⼤多数情况下可以缓解标签噪声，但这种改进仅限于特定的适⽤场景（RQ2）
对于每个数据集，总有⾄少⼀种 GLN 方法的抗噪能力优于基线 GCN，这表明这些 GLN 方法在缓解图标签噪声问题上是有效的。然⽽，没有⼀种方法能在所有数据集中始终表现良好。例如，NRGNN 在 Cora、Citeseer 和 DBLP 数据集中显著优于基线 GCN，但在其他数据集中则不然。这⼀结果表明，现有的 GLN 方法缺乏在不同类型数据中泛化的能力。此外，我们观察到在 Flickr 数据集中，所有 GLN 方法的表现都不如基线，这突显了它们在处理⾼度异质图⽅⾯的不⾜。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
结论 3：⼀些 GLN 方法的计算效率不高（RQ3）
尽管多种 GLN 方法在减少标签噪声方面有效，但通常需要大量计算资源。实验结果表明，⼀些 GLN 方法在性能与计算效率之间难以平衡。例如，在 Cora 数据集上，RNCGLN 是最慢的，比 GCN 慢 66.8 倍，而在 DBLP 数据集上更是慢了惊人的 2945.8 倍。而在另⼀⽅⾯，虽然 NRGNN 方法也比 GCN 消耗更多时间，但它在两个数据集上实现了性能与计算效率之间的合理平衡。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
结论 4：大多数 GLN 方法在严重噪声下无法保证高性能（RQ4）
在通常情况下，随着噪声水平的增加，每种方法的测试准确率都会下降。这种下降在对偶噪声中最为显著，在 50% 对偶噪声下，所有方法的测试准确率⼏乎减半。此外，我们注意到在所有数据集上 RTGNN 在均匀噪声下表现相对稳定，并且 NRGNN 和 PIGNN 两种方法在不同噪声水平和类型下，在 DBLP 数据集上的表现优于基线 GCN。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
结论 5：对图学习来说，对偶噪声更具危害性（RQ5）
在实验中，我们观察到对偶噪声对模型的泛化能力构成了最显著的威胁。我们对此发现有⼀个解释：回顾在前文中提供的定义。对于均匀噪声，真实标签有可能翻转到任何其他类别，这可能由于被错误标注的节点导致的不正确参数更新可以被其他错误标注的节点部分抵消。然⽽，对偶噪声将翻转类别限制为特定的对偶类别。对于分类器来说，这种类型的对偶翻转可能更具误导性。在完全训练后，分类器更有可能过拟合这些对偶标签，从而作出对偶类别的预测。当节点特征通过消息传递机制传播时，这种情况尤其有害，这可能导致局部邻域内的嵌⼊更加相似，从⽽使得它们更有可能被错误分类到相应的对偶类别。
为了验证该假设，我们进行了实证研究。具体来说，我们记录了在 50% 对偶和均匀噪声下 GCN 在五个数据集上的误导性训练准确率。这⾥的误导性训练准确率（AILMT）代表模型在对错误分类的类别做出错误预测时的准确率，可以体现模型的过拟合程度。实验结果清楚地表明，对偶噪声的对模型泛化能力的影响最大，更可能导致模型模型过拟合到错误的标签上。同样的情况也发⽣在其他 LLN 和 GLN 方法中。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
结论 6：图结构可以放大标签噪声的负面影响（RQ6）
从实验结果来看，我们观察到在稀疏图（Cora）中，AUIS 和 AUU 相较于 AUCS 显著下降。以 GCN 在 Cora 数据集上的表现为例，这种下降分别为 36.17% 和 10.85%。这些结果突显了邻居节点通过正确的标签对未标注节点进行正确监督对 GNN 的学习过程⾄关重要。被正确标注的邻域节点提供的正确监督显著提⾼了未标记节点的分类准确率，而标签噪声造成的错误监督则严重降低了这些节点的分类准确率，甚至比不进⾏邻域监督时更糟。
此外，我们的研究还揭示了图结构增强方法在减轻标签噪声传播效应⽅⾯的有效性。具体来说，基于图结构增强的三种方法，即 NRGNN、RTGNN 和 RNCGLN，在所有方法中的 AUIS 相较于 AUCS 和 AUU 表现出了最小的下降。这表明它们可以有效减轻标签噪声的传播效应。这种现象在像 Cora 这样的稀疏图中更加明显。⼀个可能的解释是它们采用的额外图结构学习技术可以在采样过程中形成⽤于预测的更密集的图结构。因此，分类器可以获得更多来⾃邻域节点的参考，从⽽减少对邻域错误标记样本的依赖。
NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源
结论 7：稀疏图更容易受到标签噪声传播效应的影响（RQ6）

从 Table 2 中可以看出，标签噪声的传播效应在平均度较低的稀疏图（如 Cora、 Citeseer、Pubmed 和 DBLP）上非常严重，但在密集图（如 Amazon-Computers、 Amazon-Photos、Blogcatalog 和 Flickr）上则不明显。对此现象的解释是：稀疏图上的未标记节点在其邻域中通常只有有限数量的标注节点可用于监督，所以这些未标注节点的预测结果在很大程度上依赖于其邻域中有限的标注节点，如果这些节点被错误标注，则很容易导致未标注节点表示的错误学习。相比之下，对于密集图，未标注节点的邻域包含许多可以作为参考的标注节点。

因此，分类器模型更有可能从这些标注节点中找到正确的监督。这⼀假设得到了 Table 1 中实验结果的进⼀步⽀持，我们观察到，与稀疏图（如 Cora、Citeseer 和 Pubmed）相⽐，GCN 在具有⾼平均节点度的密集图（如 Blogcatalog 和 Amazon-Computers）上更不容易产⽣过拟合。
五、实践落地与持续研究
本文提出的针对标签噪声下图神经⽹络的综合基准，可帮助阿里相关团队更精准地评估图相关技术在落地时的整体风险数据，并⾼效推进后续相关的算法落地和应用。最后，我们也为该领域未来的研究提供了⼀些思路：
设计广泛适用的 GLN 方法。⼤多数现有的 GLN 方法无法在所有场景中确保⼀致的高性能，尤其在高度异质的图中。为了解决这个问题，我们可能需要探索几个关键问题：a）不同图数据集的共同属性是什么？b）如何利用这些共同属性增强 GNNs 对标签噪声的稳健性？我们的实验结果表明增强图结构可以减少标签噪声在不同密度图中的传播，进而引出第三个问题：c）如果难以识别共同属性，我们能否通过数据增强来统⼀这些特征？
为各种图学习任务设计 GLN 方法。先前对 GLN 的研究主要集中在节点分类任务上。然而，图学习领域还包括其他重要应⽤，如链路预测、边属性预测和图分类等。这些应用也可能受到标签噪声的影响，需要进⼀步关注和探索。
考虑图学习中的其他类型标签噪声。先前对 GLN 的研究假设图数据中存在两种实例无关的标签噪声，即对偶噪声和均匀噪声。然二，更为现实的假设是实例相关标签噪声，但目前尚未有相关的工作。此外，与其它领域的数据不同，图数据存在额外的图结构，图结构很有可能影响图数据的标注过程，因此图数据的标签噪声模型很可能与图拓扑结构相关。

以上就是NeurIPS 2024 | 标签噪声下图神经网络有了首个综合基准库，还开源的详细内容，更多请关注创想鸟其它相关文章！

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/413866.html

赞 (0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
0 0

关于作者

程序猿的头像

程序猿签约作者

414.1K 文章
0 评论
2 粉丝
这个人很懒，什么都没有留下～
上一篇 2025年11月7日 00:20:45
下一篇 2025年11月7日 00:23:00

相关推荐

  • HTML、CSS 和 JavaScript 中的简单侧边栏菜单 好文分享

    HTML、CSS 和 JavaScript 中的简单侧边栏菜单

    构建一个简单的侧边栏菜单是一个很好的主意，它可以为您的网站添加有价值的功能和令人惊叹的外观。 侧边栏菜单对于客户找到不同项目的方式很有用，而不会让他们觉得自己有太多选择，从而创造了简单性和秩序。 今天，我将分享一个简单的 HTML、CSS 和 JavaScript 源代码来创建一个简单的侧边栏菜单。…

    程序猿的头像 程序猿
    2025年12月24日
    200
  • 前端代码辅助工具：如何选择最可靠的AI工具？ 好文分享

    前端代码辅助工具：如何选择最可靠的AI工具？

    前端代码辅助工具：可靠性探讨 对于前端工程师来说，在HTML、CSS和JavaScript开发中借助AI工具是司空见惯的事情。然而，并非所有工具都能提供同等的可靠性。 个性化需求 关于哪个AI工具最可靠，这个问题没有一刀切的答案。每个人的使用习惯和项目需求各不相同。以下是一些影响选择的重要因素： 立…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 带有 HTML、CSS 和 JavaScript 工具提示的响应式侧边导航栏 好文分享

    带有 HTML、CSS 和 JavaScript 工具提示的响应式侧边导航栏

    响应式侧边导航栏不仅有助于改善网站的导航，还可以解决整齐放置链接的问题，从而增强用户体验。通过使用工具提示，可以让用户了解每个链接的功能，包括设计紧凑的情况。 在本教程中，我将解释使用 html、css、javascript 创建带有工具提示的响应式侧栏导航的完整代码。 对于那些一直想要一个干净、简…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 布局 - CSS 挑战 好文分享

    布局 – CSS 挑战

    您可以在 github 仓库中找到这篇文章中的所有代码。 您可以在这里查看视觉效果： 固定导航 – 布局 – codesandbox两列 – 布局 – codesandbox三列 – 布局 – codesandbox圣杯 &#8…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 隐藏元素 - CSS 挑战 好文分享

    隐藏元素 – CSS 挑战

    您可以在 github 仓库中找到这篇文章中的所有代码。 您可以在此处查看隐藏元素的视觉效果 – codesandbox 隐藏元素 hiding elements hiding elements hiding elements hiding elements hiding element…

    程序猿的头像 程序猿
    2025年12月24日
    400

  • 居中 – CSS 挑战

    您可以在 github 仓库中找到这篇文章中的所有代码。 您可以在此处查看垂直中心 – codesandbox 和水平中心的视觉效果。 通过 css 居中 垂直居中 centering centering centering centering centering centering立即…

    程序猿的头像 程序猿
    2025年12月24日 • 好文分享
    300
  • 如何在 Laravel 框架中轻松集成微信支付和支付宝支付？ 好文分享

    如何在 Laravel 框架中轻松集成微信支付和支付宝支付？

    如何用 laravel 框架集成微信支付和支付宝支付 问题：如何在 laravel 框架中集成微信支付和支付宝支付？ 回答： 建议使用 easywechat 的 laravel 版，easywechat 是一个由腾讯工程师开发的高质量微信开放平台 sdk，已被广泛地应用于许多 laravel 项目中…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何在移动端实现子 div 在父 div 内任意滑动查看？ 好文分享

    如何在移动端实现子 div 在父 div 内任意滑动查看？

    如何在移动端中实现让子 div 在父 div 内任意滑动查看 在移动端开发中，有时我们需要让子 div 在父 div 内任意滑动查看。然而，使用滚动条无法实现负值移动，因此需要采用其他方法。 解决方案： 使用绝对布局（absolute）或相对布局（relative）：将子 div 设置为绝对或相对定…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 移动端嵌套 DIV 中子 DIV 如何水平滑动？ 好文分享

    移动端嵌套 DIV 中子 DIV 如何水平滑动？

    移动端嵌套 DIV 中子 DIV 滑动 在移动端开发中，遇到这样的问题：当子 DIV 的高度小于父 DIV 时，无法在父 DIV 中水平滚动子 DIV。 无限画布 要实现子 DIV 在父 DIV 中任意滑动，需要创建一个无限画布。使用滚动无法达到负值，因此需要使用其他方法。 相对定位 一种方法是将子…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 移动端项目中，如何消除rem字体大小计算带来的CSS扭曲？ 好文分享

    移动端项目中，如何消除rem字体大小计算带来的CSS扭曲？

    移动端项目中消除rem字体大小计算带来的css扭曲 在移动端项目中，使用rem计算根节点字体大小可以实现自适应布局。但是，此方法可能会导致页面打开时出现css扭曲，这是因为页面内容在根节点字体大小赋值后重新渲染造成的。 解决方案： 要避免这种情况，将计算根节点字体大小的js脚本移动到页面的最前面，即…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • Nuxt 移动端项目中 rem 计算导致 CSS 变形，如何解决？ 好文分享

    Nuxt 移动端项目中 rem 计算导致 CSS 变形，如何解决？

    Nuxt 移动端项目中解决 rem 计算导致 CSS 变形 在 Nuxt 移动端项目中使用 rem 计算根节点字体大小时，可能会遇到一个问题：页面内容在字体大小发生变化时会重绘，导致 CSS 变形。 解决方案： 可将计算根节点字体大小的 JS 代码块置于页面最前端的 标签内，确保在其他资源加载之前执…

    程序猿的头像 程序猿
    2025年12月24日
    200
  • Nuxt 移动端项目使用 rem 计算字体大小导致页面变形，如何解决？ 好文分享

    Nuxt 移动端项目使用 rem 计算字体大小导致页面变形，如何解决？

    rem 计算导致移动端页面变形的解决方法 在 nuxt 移动端项目中使用 rem 计算根节点字体大小时，页面会发生内容重绘，导致页面打开时出现样式变形。如何避免这种现象？ 解决方案： 移动根节点字体大小计算代码到页面顶部，即 head 中。 原理： flexível.js 也遇到了类似问题，它的解决…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 形状 - CSS 挑战 好文分享

    形状 – CSS 挑战

    您可以在 github 仓库中找到这篇文章中的所有代码。 您可以在此处查看 codesandbox 的视觉效果。 通过css绘制各种形状 如何在 css 中绘制正方形、梯形、三角形、异形三角形、扇形、圆形、半圆、固定宽高比、0.5px 线？ shapes 0.5px line .square { w…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 有哪些美观的开源数字大屏驾驶舱框架？ 好文分享

    有哪些美观的开源数字大屏驾驶舱框架？

    开源数字大屏驾驶舱框架推荐 问题：有哪些美观的开源数字大屏驾驶舱框架？ 答案： 资源包 [弗若恩智能大屏驾驶舱开发资源包](https://www.fanruan.com/resource/152) 软件 [弗若恩报表 – 数字大屏可视化组件](https://www.fanruan.c…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 网站底部如何实现飘彩带效果？ 好文分享

    网站底部如何实现飘彩带效果？

    网站底部飘彩带效果的 js 库实现 许多网站都会在特殊节日或活动中添加一些趣味性的视觉效果，例如点击按钮后散发的五彩缤纷的彩带。对于一个特定的网站来说，其飘彩带效果的实现方式可能有以下几个方面： 以 https://dub.sh/ 网站为例，它底部按钮点击后的彩带效果是由 javascript 库实…

    程序猿的头像 程序猿
    2025年12月24日
    000

  • 网站彩带效果背后是哪个JS库？

    网站彩带效果背后是哪个js库？ 当你访问某些网站时，点击按钮后，屏幕上会飘出五颜六色的彩带，营造出庆祝的氛围。这些效果是通过使用javascript库实现的。 问题： 哪个javascript库能够实现网站上点击按钮散发彩带的效果？ 答案： 根据给定网站的源代码分析： 可以发现，该网站使用了以下js…

    程序猿的头像 程序猿
    好文分享 2025年12月24日
    100
  • 产品预览卡项目 好文分享

    产品预览卡项目

    这个项目最初是来自 Frontend Mentor 的挑战，旨在使用 HTML 和 CSS 创建响应式产品预览卡。最初的任务是设计一张具有视觉吸引力和功能性的产品卡，能够无缝适应各种屏幕尺寸。这涉及使用 CSS 媒体查询来确保布局在不同设备上保持一致且用户友好。产品卡包含产品图像、标签、标题、描述和…

    程序猿的头像 程序猿
    2025年12月24日
    100
  • 如何利用 echarts-gl 绘制带发光的 3D 图表？ 好文分享

    如何利用 echarts-gl 绘制带发光的 3D 图表？

    如何绘制带发光的 3d 图表，类似于 echarts 中的示例？ 为了实现类似的 3d 图表效果，需要引入 echarts-gl 库：https://github.com/ecomfe/echarts-gl。 echarts-gl 专用于在 webgl 环境中渲染 3d 图形。它提供了各种 3d 图…

    程序猿的头像 程序猿
    2025年12月24日
    000
  • 如何在 Element UI 的 el-rate 组件中实现 5 颗星 5 分制与百分制之间的转换？ 好文分享

    如何在 Element UI 的 el-rate 组件中实现 5 颗星 5 分制与百分制之间的转换？

    如何在el-rate中将5颗星5分制的分值显示为5颗星百分制？ 要实现该效果，只需使用 el-rate 组件的 allow-half 属性。在设置 allow-half 属性后，获得的结果乘以 20 即可得到0-100之间的百分制分数。如下所示： score = score * 20; 动态显示鼠标…

    程序猿的头像 程序猿
    2025年12月24日
    100
  • CSS 最佳实践：后端程序员重温 CSS 时常见的三个疑问？ 好文分享

    CSS 最佳实践：后端程序员重温 CSS 时常见的三个疑问？

    CSS 最佳实践：提升代码质量 作为后端程序员，在重温 CSS/HTML 时，你可能会遇到一些关于最佳实践的问题。以下将解答三个常见问题，帮助你编写更规范、清晰的 CSS 代码。 1. margin 设置策略 当相邻元素都设置了 margin 时，通常情况下应为上一个元素设置 margin-bott…

    程序猿的头像 程序猿
    2025年12月24日
    000

发表回复

登录后才能评论
关注微信