主要观点总结
这篇文章介绍了关于标签噪声下神经网络在图学习任务中的挑战及其解决方案的研究。文章提出了NoisyGL方法，这是第一个针对标签噪声下的图神经网络的综合基准库。通过实验分析了现有的GLN方法和LLN方法在标签噪声下的性能，并揭示了存在的问题和挑战。此外，文章还讨论了未来的研究方向。
关键观点总结
关键观点1: 大部分LLN方法并没有显著提高GNN对标签噪声的稳健性。
实验结果显示，大多数选定的LLN方法并没有显著提⾼GNN骨干的性能。在有些情况下，应用额外的LLN方法甚至可能导致更差的结果。
关键观点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。
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。然而，没有一种方法能在所有数据集中都表现良好。
关键观点3: 一些GLN方法的计算效率不高。
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。
关键观点4: 大多数GLN方法在处理严重噪声时无法保证高性能。
随着噪声水平的增加，每种方法的测试准确率都会下降。在50%对偶噪声下，所有方法的测试准确率几乎减半。
关键观点5: 对偶噪声对图学习更具威胁性。
实验结果表明，对偶噪声对模型的泛化能力影响最大，更可能导致模型过拟合到错误的标签上。
关键观点6: 图结构可以放大标签噪声的负面影响。
实验结果揭示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。
关键观点7: 稀疏图更容易受到标签噪声传播效应的影响。
标签噪声的传播效应在稀疏图上非常严重，但在密集图上则不明显。
文章预览
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心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 Track 共收到 1820 篇投稿，录⽤率为 25.3%。 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 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
………………………………
