Key points are not available for this paper at this time.
كمهمة شائعة في تعلم الرسوم البيانية، يسعى تصنيف العقد إلى تعيين تسميات للعقد، مع الأخذ في الاعتبار ميزاتها وارتباطاتها. ومع ذلك، فإن التحدي المهم لتطبيقه في السيناريوهات الواقعية هو وجود عينات جديدة ناشئة خارج التوزيع وعينات ضوضاء، مما يؤثر على جودة وموثوقية المصنفات المتعلمة. غالبًا ما توجد عينات خارج التوزيع (OOD) في كل من مراحل التدريب والاختبار. لا تنتمي هذه العينات إلى أي فئات معروفة. تعتبر هذه العينات OOD كاستثناءات (ضوضاء OOD) عندما تظهر أثناء التدريب، ويتم التعرف عليها كعينات مفتوحة أثناء الاختبار. في الوقت نفسه، تعتبر بيانات الضوضاء ضمن التوزيع (IND)، أي عينات الفئة المعروفة ذات التسميات الخاطئة، شائعة أيضاً وتؤدي حتمًا إلى تدهور أداء النموذج. يظل تحدي التعلم في مجموعة مفتوحة مع ضوضاء IND و OOD المعقدة غير مستكشف إلى حد كبير، خاصة عندما يتعلق الأمر ببيانات الرسوم البيانية غير IID. لمعالجة هذه التحديات، يقدم هذا البحث نهجًا جديدًا لتصنيف العقد بمقاومة الضوضاء المعقدة، مصمم لبيانات الرسوم البيانية المفتوحة التي تحتوي على كل من العقد الضوضائية IND و OOD. على وجه التحديد، يتم اعتماد متعلم موثوق به لتعلم معدلات الموثوقية للميزة والتسمية لكل عقدة بينما يتم تدريب ديكودر ومصنف مجموعة مفتوحة لإعادة بناء بنية العقدة والتنبؤ بفئتها في الوقت نفسه مع توجيه موثوقية العقدة. تظهر النتائج التجريبية تفوق طريقتنا.
درس Zhang et al. (Fri,) هذا السؤال.