arXiv cs.AI· Pintu Kumar, Nandyala Hemachandra·· 11 小时前AI 评分18
面向图数据的标签噪声鲁棒算法 LENS：基于邻域标签分布
A Label Noise Robust Algorithm for Graph Data using Neighborhood Label Distribution
AI 导读
针对 GCN 依赖干净标签的问题，研究者提出端到端框架 LENS（Leave-one-out Entropy Node Screening），通过衡量移除某节点后邻域熵的下降来识别噪声节点，并结合重标注机制保留有效特征信息。该方法在节点分类上达到 SOTA 精度，运行速度比现有抗噪方法快一个数量级，且端到端计算开销极低。
正文 · AI 翻译
摘要：图卷积网络（GCN）在图结构数据上表现出了卓越的性能。然而，它们的成功在很大程度上依赖于干净标签的可用性，而这一假设在现实场景中往往不成立。GCN 的可学习性与节点的邻域结构内在相关，因此理解该结构在标签噪声存在时如何变化至关重要。在本工作中，我们研究了节点的邻域标签分布在标签噪声下如何变化。我们从数学上推导出标签噪声会平滑该分布，这本质上增加了其熵并严重降低了类间可区分性。为应对这一挑战，我们提出了留一熵节点筛选（LENS），这是一个端到端框架，通过测量移除特定节点时邻域熵的减少量来识别噪声节点。LENS 进一步引入了重标记机制，以恢复并保留有价值的特征信息，而不是完全丢弃识别出的噪声节点。关键在于，LENS 的端到端计算开销极低。大量评估表明，我们的算法在实现最先进节点分类精度的同时，执行速度比现有抗噪方法快一个数量级。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI）；统计理论（math.ST） |
| 引用为： | arXiv:2610.22998 [cs.LG] |
| （或 arXiv:2610.22998v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22998 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Pintu Kumar [查看邮箱]
[v1]
2026年10月16日星期五 06:22:09 UTC（297 KB）
来源：arXiv cs.AI · arxiv.org