ADEdgeDrop：用于鲁棒图神经网络的对抗性边丢弃
机器学习
2024-08-15 v2 人工智能
摘要
尽管图神经网络（GNNs）通过多种消息传递机制展现了从邻域节点收集图结构信息的强大能力，但其性能受到由噪声和冗余图数据导致的泛化能力差和鲁棒性脆弱的限制。作为一种突出的解决方案，图增强学习（GAL）近期受到越来越多的关注。在先前的GAL方法中，训练期间随机从图中移除边的边丢弃方法是提高GNN鲁棒性的有效技术。然而，随机丢弃边常常导致关键边被绕过，从而削弱消息传递的有效性。本文提出了一种新颖的对抗性边丢弃方法（ADEdgeDrop），该方法利用一个对抗性边预测器来指导边的移除，并可灵活地集成到各种GNN骨干网络中。采用对抗训练框架，边预测器利用从原始图转换而来的线图来估计要丢弃的边，这提高了边丢弃方法的可解释性。所提出的ADEdgeDrop通过随机梯度下降和投影梯度下降交替优化。在六个图基准数据集上的综合实验表明，所提出的ADEdgeDrop在各种GNN骨干网络上均优于最先进的基线方法，展现出改进的泛化能力和鲁棒性。
引用
@article{arxiv.2403.09171,
title = {ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks},
author = {Zhaoliang Chen and Zhihao Wu and Ylli Sadikaj and Claudia Plant and Hong-Ning Dai and Shiping Wang and Yiu-Ming Cheung and Wenzhong Guo},
journal= {arXiv preprint arXiv:2403.09171},
year = {2024}
}