基于同质性的鲁棒测试时节点分类
机器学习
2025-10-28 v1 人工智能
摘要
同质性，即来自相同类别的节点倾向于相互连接，是现实图中具有根本性的属性，支撑着 citation 网络和社交网络等领域的结构和语义模式。现有方法通过设计同质性感知 GNN 架构或图结构学习策略来利用同质性，但它们主要关注训练图上的 GNN 学习。在现实场景中，测试图常常因数据质量问题和分布迁移而受到影响，例如社交网络中来自不同地区的用户之间的领域迁移，以及 citation 网络图在不同时间段收集的时序演化迁移。这些因素显著损害了预训练模型的鲁棒性，导致测试时性能下降。通过经验观察和理论分析，我们揭示了通过增加同质性图在同质性图中或减少异质性图中的同质性来转换测试图结构，可显著提高预训练 GNN 在节点分类上的鲁棒性和性能，而无需模型训练或更新。灵感来自这些发现，我们提出了一种基于同质性的创新测试时图结构转换方法，命名为 GrapHoST。具体而言，开发了一个同质性预测器来判别测试边，促进基于预测同质性得分置信度的自适应测试时图结构转换。针对九个基准数据集在广泛测试时数据质量问题下的范围实验，证明 GrapHoST 在各类场景下均实现了最先进的性能，提升幅度可达最高 10.92%。我们的代码已发布于 https://github.com/YanJiangJerry/GrapHoST。
引用
@article{arxiv.2510.22289,
title = {Does Homophily Help in Robust Test-time Node Classification?},
author = {Yan Jiang and Ruihong Qiu and Zi Huang},
journal= {arXiv preprint arXiv:2510.22289},
year = {2025}
}