基于不确定性感知适配器学习的鲁棒通用图神经网络微调
机器学习
2025-11-25 v1 计算机视觉与模式识别
摘要
最近，针对下游图学习任务的大规模预训练图神经网络（GNN）微调引发了广泛关注。一种代表性微调方法是利用适配器（称为 AdapterGNN），旨在通过插入轻量级模块来'增强'预训练模型，使'增强'后的模型更适应下游任务。然而，图数据在下游任务中可能包含各种类型的噪声，如噪声边缘和模糊的节点属性。现有的 AdapterGNN 常对图噪声敏感，表现出有限的通用性。如何提升 GNN 微调的鲁棒性和通用性仍是一个开放问题。本文表明，通过将不确定性学习集成到图神经网络适配器中，可有效解决上述问题。我们提出的不确定性感知适配器（UAdapterGNN）在微调过程中抵御噪声图数据的冲击。具体而言，与常规 AdapterGNN 不同，我们的 UAdapterGNN 利用高斯概率适配器来增强预训练 GNN 模型。如此一来，当图中包含各种噪声时，我们的方法能够自动吸收高斯分布方差变化的影响，从而显著提高模型的鲁棒性。UAdapterGNN 还能进一步提升模型在下游任务上的通用性。多个基准实验的结果表明，所提出的 UAdapterGNN 方法在有效性、鲁棒性和高通用性方面均表现出色。
引用
@article{arxiv.2511.18859,
title = {Robust and Generalizable GNN Fine-Tuning via Uncertainty-aware Adapter Learning},
author = {Bo Jiang and Weijun Zhao and Beibei Wang and Xiao Wang and Jin Tang},
journal= {arXiv preprint arXiv:2511.18859},
year = {2025}
}