Oldie but Goodie：用部分观察到的特征重新照亮图上的标签传播
密码学与安全
2025-08-05 v1
摘要
在现实图中，我们常常遇到缺少特征的情况，其中一小部分或大部分节点特征（例如敏感信息）被遗漏。在此类情景下，直接利用图神经网络 (GNN) 在下游任务（如节点分类）中会产生亚最优结果。尽管涌现出少数 GNN 方法试图缓解此缺失情景，但当只有少量特征可用时，它们反而表现不如传统基于结构的模型。为此，本文提出一种新框架，进一步发掘经典标签传播 (Oldie) 的潜力，尤其是在只有部分特征可用时。现在称为 GOODIE，它采用混合方法，从标签传播分支和特征传播分支获取嵌入。为此，我们首先设计一个 GNN 解码器，使标签传播分支的输出隐藏嵌入与 FP 分支的嵌入对齐。随后，GOODIE 通过新设计的结构-特征注意力机制自动捕获结构和特征信息的重要性。随后通过一种新的伪标签对比学习，区分来自 LP 分支的每个正负配对的贡献，GOODIE 输出对未标记节点的最终预测。通过广泛的实验，我们展示了我们提出的模型 GOODIE 不仅在只有少量特征可用时优于现有最先进的方法，也在丰富可用的情况下表现出色。GOODIE 的源代码可在 https://github.com/SukwonYun/GOODIE 获取。
引用
@article{arxiv.2508.01207,
title = {Showcasing standards and approaches for cybersecurity, safety, and privacy issues in connected and autonomous vehicles},
author = {Ricardo M. Czekster},
journal= {arXiv preprint arXiv:2508.01207},
year = {2025}
}