关于图自编码器在对抗训练下的泛化性
机器学习
2021-08-05 v2 机器学习
摘要
对抗训练是一种增强模型对抗对抗扰动的鲁棒性的方法。此类方法已被证明可产生具有更好泛化能力的特征表示。然而，关于图数据模型对抗训练的研究有限。本文提出这样的问题：对抗训练是否改善图表示的泛化能力。我们在两种强大的节点嵌入方法——图自编码器 (GAE) 与变分图自编码器 (VGAE) 中构建了 L2 与 L1 版本的对抗训练。我们在 GAE 与 VGAE 的三个主要应用（即链接预测、节点聚类、图异常检测）上进行大量实验，证明 L2 与 L1 对抗训练均提升了 GAE 与 VGAE 的泛化能力。
引用
@article{arxiv.2107.02658,
title = {On Generalization of Graph Autoencoders with Adversarial Training},
author = {Tianjin Huang and Yulong Pei and Vlado Menkovski and Mykola Pechenizkiy},
journal= {arXiv preprint arXiv:2107.02658},
year = {2021}
}
备注
ECML 2021 Accepted