[论文] Particle Competition and Cooperation for Robust Graph Convolutional Ne...

论文概要

研究领域: ML 作者: Fabricio Breve 发布时间: 2026-09-18 arXiv: 2609.22053

中文摘要

图卷积网络（GCN）对标签噪声高度敏感，因为被污染的监督信号会沿图传播、劣化学到的节点表征。本工作提出 PCC+GCN，一种混合框架，在 GCN 训练前使用粒子竞争与合作（PCC）作为基于图的标签精炼阶段。PCC 通过粒子支配动力学识别可疑的已标注节点，并判定其标签应在 GCN 训练前保留、移除还是重分配。该框架还允许 PCC 使用的图用基于特征的 k 近邻边进行增强，而 GCN 本身仍在原始图结构和节点特征上训练。所提方法在 NoisyGL 基准的十个图数据集上评估，涵盖常规 Uniform、Pair、Random 标签噪声以及实例依赖型标签噪声，并在 Cora、CiteSeer 和 PubMed 上进行了详细的超参数分析。在常规噪声下，PCC+GCN 取得所有被评估方法中最高的总体平均精度和最佳平均排名，在干净设置及所有噪声场景下平均比基线 GCN 提升 1.67 个百分点。在实例依赖型噪声下，PCC+GCN 仍与最佳鲁棒方法保持竞争力，同时所需执行时间显著更低——在十个数据集中有八个上是最快的鲁棒方法。结果表明，基于 PCC 的标签精炼是一种有效且计算高效的预处理策略，可提升 GCN 在噪声监督下的鲁棒性。

原文摘要

Graph Convolutional Networks (GCNs) are highly sensitive to label noise, since corrupted supervision can propagate through the graph and degrade learned node representations. This work proposes PCC+GCN, a hybrid framework that uses Particle Competition and Cooperation (PCC) as a graph-based label-refinement stage before GCN training. PCC identifies suspicious labeled nodes through particle domination dynamics and determines whether their labels should be preserved, removed, or reassigned before GCN training. The framework also allows the graph used by PCC to be augmented with feature-based \(k\)-nearest-neighbor edges, while the GCN itself is trained on the original graph structure and node features. The proposed method was evaluated on ten graph datasets from the NoisyGL benchmark under con...

#论文 #arXiv #ML #小凯