DEGNN：处理边和节点特征噪声的双专家图神经网络
机器学习
2024-04-16 v1
摘要
图神经网络（GNNs）在图数据的各种应用中取得了显著成功。然而，最近的研究揭示，现实世界的图通常包含噪声，并且GNNs对图中的噪声很敏感。为了解决这个问题，已经引入了若干图结构学习（GSL）模型。虽然GSL模型旨在通过边重建来增强对边噪声的鲁棒性，但一个显著的局限性浮现出来：它们对节点特征的高度依赖。这种固有的依赖性放大了它们对节点特征中噪声的敏感性。认识到这一脆弱性，我们提出了DEGNN，一种新颖的GNN模型，旨在巧妙地减轻边和节点特征中的噪声。DEGNN的核心思想是设计两个独立的专家：一个边专家和一个节点特征专家。这些专家利用自监督学习技术来生成修改后的边和节点特征。利用这些修改后的表示，DEGNN随后处理下游任务，确保对真实世界图中边和节点特征中存在的噪声具有鲁棒性。值得注意的是，修改过程可以进行端到端训练，使DEGNN能够动态调整，并为特定任务获得最优的边和节点表示。全面的实验证明了DEGNN在处理原始真实世界图和带有合成噪声的图中的噪声方面的有效性。
引用
@article{arxiv.2404.09207,
title = {DEGNN: Dual Experts Graph Neural Network Handling Both Edge and Node Feature Noise},
author = {Tai Hasegawa and Sukwon Yun and Xin Liu and Yin Jun Phua and Tsuyoshi Murata},
journal= {arXiv preprint arXiv:2404.09207},
year = {2024}
}
备注
PAKDD 2024, the code is available at https://github.com/TaiHasegawa/DEGNN