在异配图上精炼潜在同配结构以构建鲁棒图卷积网络
机器学习
2023-12-29 v1 人工智能
社会与信息网络
摘要
图卷积网络 (GCN) 被广泛应用于各种图任务中，以从空间数据中挖掘知识。我们的研究标志着首次定量探讨 GCN 在无处不在的异配图上进行节点分类的鲁棒性。我们发现，主要的脆弱性是由结构分布外 (OOD) 问题引起的。这一发现促使我们提出了一种新方法，旨在通过自动学习异配图上的潜在同配结构来强化 GCN。我们将这种方法称为 LHS。具体而言，我们的第一步涉及基于多节点交互采用一种新颖的自表达技术来学习一个潜在结构。随后，使用成对约束的双视图对比学习方法对该结构进行精炼。我们迭代执行上述过程，使 GCN 模型能够在异配图上以同配方式聚合信息。凭借这种可适应的结构，我们可以适当地缓解异配图上的结构 OOD 威胁。在各种基准上的实验表明了所提出的 LHS 方法对鲁棒 GCN 的有效性。
引用
@article{arxiv.2312.16418,
title = {Refining Latent Homophilic Structures over Heterophilic Graphs for Robust Graph Convolution Networks},
author = {Chenyang Qiu and Guoshun Nan and Tianyu Xiong and Wendi Deng and Di Wang and Zhiyang Teng and Lijuan Sun and Qimei Cui and Xiaofeng Tao},
journal= {arXiv preprint arXiv:2312.16418},
year = {2023}
}
备注
To be appeared in the proceedings of AAAI-2024