AdvSynGNN：基于对抗合成与自校正传播的结构自适应图神经网络
机器学习
2026-04-14 v2 人工智能
摘要
图神经网络在面对结构噪声或非同质性拓扑结构时常出现显著性能下降。为此，我们提出 AdvSynGNN，一个专为鲁棒节点级表示学习设计的综合性架构。该框架编排多分辨率结构合成与对比目标，以建立几何敏感的初始化。我们开发了变压器骨干网络，通过调制注意力机制以学习的拓扑信号自适应容纳异质性。本工作的核心是集成的对抗性传播引擎，其中生成器组件识别潜在的连通性变更，而判别器则强制全局一致性。此外，通过基于节点置信度指标引导的残差校正方案实现标签细化，进而实现对迭代稳定性的精确控制。实证评估表明，这种协同方法有效地优化了在多样化图分布下的预测准确率，同时保持计算效率。本研究以实际实现协议结束，以确保 AdvSynGNN 系统在大规模环境中的稳健部署。
引用
@article{arxiv.2602.17071,
title = {AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation},
author = {Rong Fu and Muge Qi and Chunlei Meng and Shuo Yin and Kun Liu and Zhaolu Kang and Simon Fong},
journal= {arXiv preprint arXiv:2602.17071},
year = {2026}
}
备注
32 pages, 8 figures