Die ERASE-Methode zielt darauf ab, Repräsentationen zu erlernen, die Fehler tolerieren und die Robustheit von Deep Learning-Modellen gegen Labelrauschen in graphenbasierten Aufgaben verbessern. Durch eine zweiphasige Methode des Labelpropagationsverfahrens vor dem Training und während des Trainings wird die Genauigkeit der Repräsentationen verbessert. Experimente zeigen, dass ERASE im Vergleich zu Baselines eine höhere Genauigkeit aufweist, insbesondere bei höheren Labelrauschszenarien.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Ling-Hao Che... at arxiv.org 03-11-2024
https://arxiv.org/pdf/2312.08852.pdfDeeper Inquiries