Dual Graph: a graph-based method for reasoning about label noise 解读

现有的limitation： 被选择的样本不能利用所有的数据的信息，尤其是标签 被破坏的情况。

作者的novelties：DualGraph 捕获了标签之间的structural relations，包括两个level：instance-level，distribution-level。实例层面利用实例的相似性表征样本的类别，分布层面描述每个sample和其他sample的实例相似度分布。

通过instance similarity的分布来优化instance-level的关系。

训练了两个网络，在reasoning phase，利用distribution 的信息在GNN 中传播来纠正破坏的标签。在classification phase，利用重建的instance-level的graph去产生可靠的预测。

作者认为distribution-level的关系更robust，网络把它作为监督的信号来refine instance-level的相似度。设计了end-to-end的paradigm，counteract noise并且给出了可靠的预测。训练了两个GNN，并且有一个joint 的loss，包括classifier loss和distribution loss。并且使用joint loss来给边添加权重：enhance positive samples ，weaken negative examples。

Noise-cleaning methods have been criticized for removing too many instances or keeping mislabeled instances. 会选错

sample-selection methods aim to identif