图上的鲁棒节点分类：基于贝叶斯标签转移与拓扑标签传播的联合方法
机器学习
2022-08-23 v1
摘要
基于图神经网络（GNNs）的节点分类已广泛应用于各种真实场景。然而，近年来有确凿证据表明，GNN 节点分类的性能可能因拓扑扰动（如随机连接或对抗攻击）而大幅退化。已有多种方案（如拓扑去噪方法和机制设计方法）被提出以构建鲁棒的基于 GNN 的节点分类器，但这些工作均未能完全解决与拓扑扰动相关的问题。近来，贝叶斯标签转移模型被提出以应对该问题，但其收敛缓慢可能导致性能不佳。在本工作中，我们提出一种新的标签推断模型，即 LInDT，它集成了贝叶斯标签转移与基于拓扑的标签传播，以提升 GNN 对拓扑扰动的鲁棒性。LInDT 优于现有标签转移方法，因为它利用基于邻域的标签传播改善了不确定节点的标签预测，从而带来更好的标签推断收敛性。此外，LIndT 采用非对称狄利克雷分布作为先验，这也有助于其改进标签推断。在五个图数据集上的大量实验证明了 LInDT 在三种拓扑扰动场景下用于基于 GNN 的节点分类的优越性。
引用
@article{arxiv.2208.09779,
title = {Robust Node Classification on Graphs: Jointly from Bayesian Label Transition and Topology-based Label Propagation},
author = {Jun Zhuang and Mohammad Al Hasan},
journal= {arXiv preprint arXiv:2208.09779},
year = {2022}
}
备注
The paper is accepted for CIKM 2022