具有鲁棒性的简化 PCNet
机器学习
2024-03-07 v1
摘要
图神经网络（GNNs）因其在同配性或异配性图表示学习方面的成功而备受关注。然而，它们难以很好地泛化到具有不同同配性水平的真实世界图。为此，先前的工作 Poisson-Charlier 网络（PCNet）\cite{li2024pc} 使得图表示能够从异配性学习到同配性。尽管 PCNet 缓解了异配性问题，但在进一步提高其效能和效率方面仍存在挑战。在本文中，我们简化了 PCNet 并增强了其鲁棒性。我们首先将滤波器阶数扩展为连续值并减少其参数数量，实现了两种具有自适应邻域大小的变体。理论分析表明，我们的模型对图结构扰动或对抗攻击具有鲁棒性。我们在代表同配性和异配性图的多个数据集上，通过半监督学习任务验证了我们的方法。
引用
@article{arxiv.2403.03676,
title = {Simplified PCNet with Robustness},
author = {Bingheng Li and Xuanting Xie and Haoxiang Lei and Ruiyi Fang and Zhao Kang},
journal= {arXiv preprint arXiv:2403.03676},
year = {2024}
}
备注
10 pages, 3 figures