Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Delving into Instance-Dependent Label Noise in Graph Data: A Comprehensive Study and Benchmark

Created by
  • Haebom

저자

Suyeon Kim, SeongKu Kang, Dongwoo Kim, Jungseul Ok, Hwanjo Yu

개요

본 논문은 그래프 신경망(GNNs)의 노드 분류 작업에서의 성능 저하를 야기하는 실제 데이터의 레이블 노이즈 문제를 해결하기 위해, 인스턴스 의존적 노이즈를 고려한 새로운 벤치마크인 BeGIN을 제안합니다. 기존 연구들이 주로 클래스 의존적 노이즈에 초점을 맞춘 것과 달리, BeGIN은 알고리즘적 방법과 LLM 기반 시뮬레이션을 통해 다양한 유형의 인스턴스 의존적 노이즈를 생성하여 현실적인 그래프 데이터셋을 제공합니다. 여러 GNN 아키텍처, 노이즈 레이블 탐지 및 노이즈에 강인한 학습 전략에 대한 종합적인 평가를 통해 인스턴스 의존적 노이즈, 특히 LLM 기반 손상의 어려움을 보여주고, GNN의 강인성을 높이기 위한 노드별 매개변수화의 중요성을 강조합니다. BeGIN은 노이즈 처리 전략의 효과, 효율성 및 주요 성능 요소에 대한 통찰력을 제공하며, 그래프에서의 레이블 노이즈 연구 발전과 강인한 GNN 훈련 방법 개발에 기여할 것으로 기대됩니다. 코드는 https://github.com/kimsu55/BeGIN 에서 이용 가능합니다.

시사점, 한계점

•
시사점:
◦
인스턴스 의존적 노이즈, 특히 LLM 기반 노이즈의 어려움을 실증적으로 보여줌.
◦
노드별 매개변수화를 통한 GNN 강인성 향상의 중요성 제시.
◦
다양한 노이즈 처리 전략의 효과, 효율성 및 주요 성능 요소에 대한 통찰력 제공.
◦
그래프에서의 레이블 노이즈 연구 및 강인한 GNN 훈련 방법 개발에 기여할 새로운 벤치마크 BeGIN 제공.
•
한계점:
◦
본 논문에서 제시된 LLM 기반 노이즈 생성 방법의 일반화 가능성에 대한 추가 연구 필요.
◦
다양한 유형의 그래프 데이터 및 노이즈 패턴에 대한 BeGIN의 적용 범위에 대한 추가적인 검증 필요.
👍
Made with Slashpage