HyperTrust: Un framework robusto per reti neurali su ipergrafi sotto rumore di etichette
I ricercatori hanno presentato un nuovo framework chiamato HyperTrust, volto a rafforzare le reti neurali su ipergrafi (HGNN) contro i problemi causati dal rumore di etichette. Documentato su arXiv come numero di carta 2608.04377, lo studio esamina criticamente i limiti degli approcci attuali all'apprendimento in presenza di rumore di etichette e all'apprendimento su grafi per ipergrafi. HyperTrust impiega una strategia di pre-addestramento che valuta l'affidabilità degli iperarchi tramite l'entropia e introduce un modulo HyperedgeBoost per migliorare la supervisione collegando nodi non etichettati. I risultati rivelano la suscettibilità delle HGNN alle etichette rumorose, affrontando un'area ampiamente ignorata dell'apprendimento con etichette rumorose negli studi sugli ipergrafi. Il team cerca di migliorare l'affidabilità dei modelli su ipergrafi per compiti relazionali complessi.
Fatti principali
- Le reti neurali su ipergrafi (HGNN) sono vulnerabili al rumore di etichette.
- L'articolo presenta uno studio sistematico della classificazione dei nodi su ipergrafi sotto rumore di etichette.
- Metodi rappresentativi LLN e GLN sono stati adattati agli ipergrafi e valutati sotto un benchmark unificato.
- Le strategie di apprendimento robuste esistenti mostrano limitazioni per gli ipergrafi.
- HyperTrust è proposto come un nuovo framework robusto per gli ipergrafi.
- HyperTrust stima l'affidabilità degli iperarchi tramite una strategia basata su pre-addestramento e consapevole dell'entropia.
- HyperTrust incorpora il modulo HyperedgeBoost per migliorare la supervisione affidabile.
- L'articolo è disponibile su arXiv con identificatore 2608.04377.
Entità
Istituzioni
- arXiv