Towards Robust Graph Neural Networks for Noisy Graphs with Sparse Labels

图神经网络(GNNs)在图结构数据建模方面显示了其强大的能力。然而，现实世界的图通常包含结构噪声和有限的标记节点。当在这样的图上训练时，gnn的性能会显著下降，这阻碍了许多应用程序采用gnn。因此，开发具有有限标记节点的抗噪声gnn是很重要的。然而，这方面的工作相当有限。因此，我们研究了一个在带有有限标记节点的噪声图上开发鲁棒gnn的新问题。我们的分析表明，带噪声的边和有限的标记节点都可能损害gnn的消息传递机制。为了缓解这些问题，我们提出了一种新的框架，采用带噪声的边作为监督来学习去噪和密集的图，该框架可以降低或消除带噪声的边，并促进gnn的消息传递，以缓解有限标记节点的问题。生成的边缘进一步用于正则化无标记节点的预测，使其具有标签平滑性，以更好地训练gnn。在真实数据集上的实验结果表明，该框架在带有有限标记节点的噪声图上具有鲁棒性。