图净化及其在节点分类中的应用
机器学习
2021-10-27 v2
摘要
过去几十年见证了图挖掘的繁荣，人们设计了大量精细的模型与算法用于各类挖掘任务，如排序、分类、聚类和异常检测。总体而言，现有工作绝大多数旨在回答以下问题：给定一张图，挖掘它的最佳方式是什么？本文引入图净化问题，以回答一个正交的问题，即给定挖掘任务和初始图，改进初始所给图的最佳方式是什么？通过将更好的图作为挖掘模型输入的一部分来学习，有望在去噪、填补到防御等多种设置中裨益图挖掘。我们将图净化问题表述为双层优化问题，并进一步以半监督节点分类实例化该问题，同时提出一种名为 GaSoliNe 的有效求解器。大量实验结果表明，所提方法（1）对不同图神经网络模型与灵活图修改策略具有广泛适用性；（2）在各种扰动场景下，能有效提升原始图与污染图上节点分类的准确率。特别地，其相较现有鲁棒图神经网络方法带来了高达 25% 的性能提升。
引用
@article{arxiv.2105.09384,
title = {Graph Sanitation with Application to Node Classification},
author = {Zhe Xu and Boxin Du and Hanghang Tong},
journal= {arXiv preprint arXiv:2105.09384},
year = {2021}
}