面向动态图神经网络的鲁棒知识自适应方法

图结构数据在本质上常具有动态特性。近年来，人们越来越关注用于建模图数据的动态图神经网络。然而，几乎所有现有方法都基于如下假设：一旦建立新链接，相邻节点的嵌入应当进行更新以学习时间动态。尽管如此，这些方法面临以下局限：若由新连接引入的节点包含噪声信息，将其知识传播给其他节点会变得不可靠，甚至可能导致模型崩溃。在本文中，我们提出 Ada-DyGNN：一种通过强化学习实现动态图神经网络鲁棒知识自适应（Adaptation）的框架。与以往在添加新链接后立即更新邻居节点嵌入的方法不同，Ada-DyGNN 自适应地决定哪些节点应当被更新。考虑到更新某一邻居节点嵌入的决策会显著影响其他邻居节点，我们将节点更新选择概念化为序列决策问题，并采用强化学习来有效解决。借此，我们能够自适应地将知识传播给其他节点，以学习鲁棒的节点嵌入表示。据我们所知，我们的方法是首个专门面向动态图神经网络、通过强化学习探索鲁棒知识自适应的尝试。在三个基准数据集上的大量实验表明，Ada-DyGNN 达到了最先进的性能。此外，我们通过向数据集中引入不同程度的噪声进行实验，定量与定性地说明了 Ada-DyGNN 的鲁棒性。