通过图对抗对比学习学习鲁棒表示
机器学习
2022-04-29 v1
摘要
现有研究表明，图神经网络（GNNs）生成的节点表示容易受到对抗攻击，例如邻接矩阵和节点特征的难以察觉的扰动。因此，在图神经网络中学习鲁棒表示是必要的。为了提高图表示学习的鲁棒性，我们提出了一种新颖的图对抗对比学习框架（GraphACL），通过将对抗增强引入图自监督学习。在该框架中，我们最大化受扰动图及其对抗增强的局部与全局表示之间的互信息，其中对抗图可通过有监督或无监督方法生成。基于信息瓶颈原理，我们从理论上证明所提方法能够获得更紧的界，从而提升图表示学习的鲁棒性。在经验上，我们在一系列节点分类基准上评估了若干方法，结果表明 GraphACL 能够取得与先前有监督方法相当的准确性。
引用
@article{arxiv.2201.13025,
title = {Learning Robust Representation through Graph Adversarial Contrastive Learning},
author = {Jiayan Guo and Shangyang Li and Yue Zhao and Yan Zhang},
journal= {arXiv preprint arXiv:2201.13025},
year = {2022}
}