节点特征核增强图卷积网络的鲁棒性
机器学习
2022-02-22 v3 社会与信息网络
机器学习
摘要
被广泛使用的图卷积网络（GCNs）对其输入扰动的鲁棒性正成为一个日益重要的话题。本文引入了可进行随机矩阵理论分析的随机GCN。该分析表明，若图被充分扰动，或在极端情况下为随机图，则GCN无法从节点特征中获益。进一步观察到，通过在GCN的消息传递步骤中向图结构的邻接矩阵加入节点特征核可解决此问题。在六个真实数据集上利用GCN进行节点分类的经验研究进一步证实了理论发现，并表明图结构的扰动会导致GCN的性能显著差于仅在节点特征上运行的多层感知机（Multi-Layer Perceptrons）。在实践中，向被扰动图的消息传递中加入节点特征核可显著改善GCN的性能，从而使其对图扰动更具鲁棒性。我们的代码公开于：https://github.com/ChangminWu/RobustGCN。
引用
@article{arxiv.2109.01785,
title = {Node Feature Kernels Increase Graph Convolutional Network Robustness},
author = {Mohamed El Amine Seddik and Changmin Wu and Johannes F. Lutzeyer and Michalis Vazirgiannis},
journal= {arXiv preprint arXiv:2109.01785},
year = {2022}
}
备注
16 pages, 5 figures