CoATA：面向图神经网络的拓扑与属性协一致性增强

图神经网络（GNN）因其在学习图表示方面的卓越能力而受到广泛关注。然而，现实世界的图常常存在显著的噪声和不完整性，这严重损害GNN的性能。现有方法通常通过单维度增强来解决此问题，侧重于细化拓扑结构或扰动节点属性，从而忽略了两者之间的深层互动。为弥合这一差距，本文提出CoATA，一个专为拓扑与属性协一致性增强（Co-Augmentation of Topology and Attribute）而设计的双通道GNN框架。具体而言，CoATA首先传递结构信号以丰富并去噪节点属性。随后，它将增强后的属性空间映射到节点-属性二分图，以进行进一步的底层结构细化或重构。随后，CoATA引入对比学习，利用原型对齐和一致性约束，促进增强图与原始图之间的相互校正。最终，在七个基准数据集上的大量实验表明，所提出的CoATA优于十一组最新基线方法，展示了其在捕捉拓扑结构与属性之间协同关系方面的有效性。