Energy Guided smoothness to improve Robustness in Graph Classification
机器学习
2026-02-06 v2
摘要
图神经网络 (GNN) 在解决图分类任务方面具有强大的能力，但实际应用中常常包含噪声标签。在本工作中，我们研究了 GNN 对标签噪声的鲁棒性，展示了当模型在低阶图上难以泛化、标签覆盖不足或模型过于参数化时，GNN 的失败模式。我们建立了经验和理论上的联系，将 GNN 的鲁棒性与学习节点表示的总 Dirichlet 能量的减少联系起来，这封装了我们假设的 GNN 平滑归纳偏置。最后，我们引入两种训练策略来增强 GNN 的鲁棒性：(1) 通过消除负特征值来在权矩阵中引入一种新颖的归纳偏置，这与 Dirichlet 能量最小化相关；(2) 通过扩展 GNNs 的损失惩罚来促进学习的平滑性。重要的是，两种方法都不会在无噪声设置的情况下 negatively 影响性能，支持我们假设 GNN 的鲁棒性来源于其平滑归纳偏置。
关键词
引用
@article{arxiv.2412.08419,
title = {Energy Guided smoothness to improve Robustness in Graph Classification},
author = {Farooq Ahmad Wani and Maria Sofia Bucarelli and Andrea Giuseppe Di Francesco and Oleksandr Pryymak and Fabrizio Silvestri},
journal= {arXiv preprint arXiv:2412.08419},
year = {2026}
}