拓扑稳定的图神经网络：跨领域的经验鲁棒性
机器学习
2025-12-17 v1 社会与信息网络
摘要
图神经网络(GNNs)已成为图表示学习的标准，但仍然容易受到结构扰动的影响。我们提出了一个将持久同调特征与稳定性正则化相结合的新框架，以增强鲁棒性。基于持久同调的稳定性定理 \cite{cohen2007stability}，我们的方法将 GIN 架构与从持久图像中提取的多尺度拓扑特征相结合，并由受 Hiraoka-Kusano 启发的稳定性约束加以强化。在跨越生化网络、社交网络和协作网络的六个不同数据集上，我们的方法展现出对边扰动的卓越鲁棒性，同时保持了有竞争力的准确率。值得注意的是，在扰动下我们观察到极小的性能下降(在大多数数据集上为 0-4%)，显著优于基线稳定性。我们的工作提供了一种理论上有依据且经验上经过验证的鲁棒图学习方法，与拓扑正则化的最新进展相一致。
引用
@article{arxiv.2512.13852,
title = {Topologically-Stabilized Graph Neural Networks: Empirical Robustness Across Domains},
author = {Jelena Losic},
journal= {arXiv preprint arXiv:2512.13852},
year = {2025}
}