针对图上噪声与稀疏标签的证据引导学习

《Artificial Intelligence》：Evidence-guided Learning against Noisy and Sparse Labels on Graphs

　　摘要（贡献）- 我们探索了一个具有挑战性且研究不足的问题：在含噪声且标签稀疏的条件下训练图神经网络（GNN）。- 我们通过多专家框架提供证据及不确定性估计。- 我们通过一致性学习和伪标记来利用未标记节点，以应对标签稀疏性问题。- 在基准数据集上的实验证明了所提出方法的有效性。---章节摘要图神经网络图神经网络（GNN）因其能够编码图结构数据而受到广泛研究，并在节点分类[1]、[27]、图聚类[28]、[29]、[30]以及图分类[31]、[32]中取得了令人满意的效果。早期的谱方法通过图傅里叶基定义图卷积[33]，而后续的空间方法则在消息传递范式下，通过聚合和变换邻域信息来更新节点表示[4]。预备知识符号表示。 给定一个图 ?? = {??, ?, **X**, **Y**_L}，包含 N 个节点和 M 个类别。?? = ??_L ∪ ??_U 是图的节点集合，其中 ??_L（|??_L| = L）和 ??_U（|??_U| = N ? L）分别为已标记和未标记的节点集合。? ? ?? × ?? 是边集合，**X** ∈ ?^(N×d) 是节点属性矩阵，其中 d 为属性维度。**A** ∈ ?^(N×N) 是邻接矩阵，其中当节点 i 和 j 之间存在边时 A_ij = 1，否则为 0。??_L 中节点的独热编码标签记为 **Y**_L = {**y**_1, …, **y**_L} ∈ {0, 1}^M，它们是有限的所提出的方法在本节中，我们提出了 EvGNN 框架，用于学习一种对噪声和稀疏标签具有鲁棒性的 GNN。该框架主要由四个部分组成：基于证据的不确定性量化、多专家决策融合、多专家表示融合以及一致性与伪标签学习。每个组件的介绍均基于特定的动机。首先，采用基于证据的主观逻辑学习[58]、[59]，通过量化来建模预测可靠性实验设置数据集。 我们在六个广泛使用的基准数据集上进行评估，包括两个作者网络：Coauthor CS 和 DBLP，两个共购网络：Amazon Computers 和 Amazon Photo，以及两个引用网络：Pubmed 和 Citeseer。遵循文献[16]的做法，将 80% 的节点设为测试集，10% 设为验证集。对于训练集，我们在剩余的 10% 节点集合中随机选取 10%（即所有节点的 1%）结论与讨论在本文中，我们探索了一个研究不足但具有挑战性的场景，旨在训练一种对噪声和稀疏标签具有鲁棒性的 GNN。由于现实世界中存在标签噪声且标注成本高昂，图的标签不可避免地是不正确且稀缺的，导致训练所得 GNN 的泛化能力较差。因此，我们提出了一种新颖的方法，将不确定性估计融入由证据理论引导的多专家框架中。首先，为了克服噪声标签的负面影响，我们CRediT 作者贡献声明易思宇： 撰写——审阅与编辑、撰写——初稿、软件、方法论、资金获取、概念设计。张伟： 软件、验证、可视化。毛正阳： 撰写——初稿、可视化、软件、方法论、调查研究、数据整理。周永道： 撰写——审阅与编辑、指导、项目管理、资金获取、概念设计。乔梓悦： 撰写——审阅与编辑、软件、调查研究。沈立： 撰写——审阅与利益冲突声明作者声明，他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文所报道的工作。易思宇 | 张伟 | 毛正阳 | 周永道 | 乔梓悦 | 沈立 | 陶大程 | 吕建城 | 居伟